Metoda nejmenších čtverců a její aplikace
|
|
- Zdenka Jandová
- před 6 lety
- Počet zobrazení:
Transkript
1 Metoda ejmeších čtverců a její aplkace Leat qare method ad t applcato Motvace Reálé rozdělovací fkce e více č méě odlšjí od deál ormálí fkce Má to více příč a Na rozdíl od ormálího rozděleí e v reálých datech ojevjí mohem čatěj odchýleé od t moho velce lě zkrelt rčeí poloh třed rozptl Zkomaý vzorek eí homoeí je to mě třea ěkolka ormálích rozděleí výška vzork že + mž c e hře je závlot a dalších parametrech ejčatěj a čae Např ovtý průěh jaot e projeví v modálím rozděleí htot pravděpodoot alolda má otrý vrchol v mam jaot a rozáhlé křídlo apod okd měřeá velča měla ýt v čae kotatí apř jaot eproměé hvězd pak tadardí odchlka od průměr měla ýt dáa poze! epřeotí měřeí dotčé velč včetě tematckých ch a etalt Tto epřeot lze zhra odhadot třea porováím ěkolka po oě rchle áledjících měřeí Zjtíme-l že rozptl měřeí rčté velč je zjevě větší ež očekávaé ejtot měřeí lze odt že oa velča zřejmě de fkcí ějaké další promělvé velč ejčatěj ča roměé ojekt vžd l a do předmětem otředěého zájm atrofzků protože charakterem vé proměot toho o oě prozrazjí mohem více ež ojekt eproměé Čaová závlot měřeých velč maetcké pole jaot tezta pektrálích čar polarzace apod hledáí tredů cklckých změ perodct apod - to jo ejčatější úkol které praktcká atrofzka řeší Nejolíeějším átrojem pro zpracováí těchto závlotí je tzv metoda ejmeších čtverců MNČ - LSM Dříve ež přtopíte k aplkac MNČ doporčj ate celo tac ejprve zevrě ohlédl což mj zameá že do ejrůzějších rafů č chémat veete vzájemé závlot všech možých velč dotčého ojekt ať ž vám aměřeých eo převzatých z lteratr ěřte že tto orázk vám o povaze vzájemých ovlotí mez jedotlvým charaktertkam poví více ež eedokoalejší číelé rozor Zjtíte-l že zorazeé výledk měřeí { } jeví jto závlot jtě pocítíte eodolatelé tkáí tto závlot proložt ft ějako eleatí hladko křvko Dříve ež e do toho ptíte te ale měl zvážt zda je to ktečě ezté! Chceme-l totž je doložt že oa závlot etje je poctvější do raf žádo křvk evkrelovat tačí je zvolt vhodá měřítka a oách a orázek prezetovat v jeho orálí podoě oze tehd chceme-l výledk proložeí dále pracovat a ěco z ch vvozovat je případé ptt e do prokládáí Úvod Jedím z ejčatějších úkolů ímž e etkáte př zpracováí pozorováí je zjtt a matematck vjádřt průěh závlot jedé pozorovaé velč a jé pozorovaé velčě elč ktero zpravdla zjšťjeme meší relatví přeotí apř hvězdo velkot deme adále azývat závlo proměo a drho pozorovao velč rčovao přeěj
2 ejčatěj ča deme považovat za ezávle proměo velč Závlo a ezávlo velč elze ěhem výpočt zaměňovat! Reálý vztah mez oěma velčam dává ezámá fkce Dejme tom že máme k dpozc celkem měřeí dvojc ezávlé a závlé velč: { } které moho ýt v odůvoděých případech doplěa tzv vaho měřeí která kvatfkje polehlvot přílšého měřeí Zpravdla je tato váha epřímo úměrá kvadrát ejtot rčeí závlé velč Hledejme í takovo fkc F která co ejlépe odpovídala ktečém průěh závlot jež je azačea dvojcem { } rep { } Trválím řešeím této úloh je popojováí všech po oě áledjících odů lomeo čáro případě ějako hladko dotatečě zvlěo čáro apř polomem - tpě která procházela důledě všem aměřeým od Takovýto potp ovšem přcházel v úvah ad je tehd kd la poloha jedotlvých odů raf záma aoltě přeě což je ereálé Daleko lepší výledk dává protá rafcká metoda kd mez od veeým do raf táheme od rk hladko křvk která dle ašeho převědčeí co ejlépe vjadřje pozorovao závlot Nevýhodo je však to že teto způo proložeí eí oecě reprodkovatelý v am podrhé proložíte závlot troch jak avíc e tímto rafckým řešeím potom dot špatě pracje roto dáváme předot takovým metodám které vedo k aaltckém vjádřeí prokládaé fkce a k ojektvím reprodkovatelém taoveí krtéra ejlepší hod Ovkle potpjeme tak že hed a počátk defjeme tzv rereí model rereo model Rereím modelem z ekoečého možtví fkcí jmž lo možo pozorovao závlot proložt vereme je jto omezeo mož fkcí přčemž každá z fkcí této zvoleé mož modelových fkcí de plě defováa parametr které pracově ozačíme 3 elča pak vjadřje počet tpňů volot deree of freedom zvoleého model Na tom zda míme jž předem vtpovat optmálí rereí model který v oě oahje fkce co ejpodoější tšeé závlot záví úpěch eo eúpěch celého ašeho dalšího počíáí okd evíme o fzkálí podtatě závlot jedé z pozorovaých velč a drhé vůec c pak jako rereí model volíme oor těch co ejjedodšších fkcí - polom harmocké fkce - mž je radot pracovat Jetlže však jž předem víme jakým tpem fkce měla ýt pozorovaá závlot popáa měl chom to rát ohled jak způoíme ztečé prolém př terpretac zjštěé závlot ola odpovídajícího rereího model optmálím tpěm volot je tím ejdůležtějším mometem př zpracovaí mometem a ěmž ve začé míře záví výledk a jejch hodoceí rávě zde e platí zalot zkšeot a všeoecý rozhled zpracovávatele právě t e projeví jeho vztah k povaze aměřeých dat Správo a ctlvo volo rereího model lze ze oor dat vtěžt pot formací aopak zvoleím eadekvátího model lze ado dopět ke zcela mlým a falešým vývodům Chcete-l mít v tomto oor doré výledk pak e míte ort začo dávko trpělvot a jž předem počítat tím že je zřídkakd e vám podaří ajít te právý rereí model hed apoprvé Z vlatí zkšeot vím že k ěkterým modelům e člověk dopracje až po ěkolka letech marých poků áh jme pov akceptovat zejméa v případě že pracjeme e oor dametrálě odlšo kvalto měřeí vzálí a fotoelektrcká pozorováí jaot eo tehd oví-l ejtota jedotlvých měřeí velkot závlé velč případě tehd epracjeme-l přímo aměřeo hodoto ale její eleárí traformací
3 Rereí model předtavje mož podoých fkcí které e od ee lší je růzým hodotam parametrů : F F K Upořádao -tcí parametrů j je výhodé zapovat jako -rozměrý vektor eo lopcovo matc o rozměrech řádků a lopec: [ ] K ředpokládejme í že jme v rámc rereího model zvoll ějako kokrétí hodot vektor parametrů pro -té měřeí { } pak lze vjádřt odchlk tohoto měřeí od daé závlot e vztahem: F + e Je zjevé že čím meší do odchlk tím lepší de proložeí pozorovaé závlot mez velčam a Naším úkolem í de vrat z tříd fkcí F popaých vektorem ajít takový vektor pro ějž do odchlk {e } mmálí O podmík mmálot je ovšem třea ejprve matematck preczovat Nejčatěj požívao a z moha důvodů ejolíeější kol však jedo je podmíka a očet kvadrátů odchlek pro všech od měřeí l mmálí Z této podmík pak vchází tzv metoda ejmeších čtverců které e deme adále věovat Zaveďme ejprve kalárí velč S zvao též očet čtverců odchlek 3 : [ ] [ ] S e F S e F Ní hledáme takový vektor pro ějž je očet čtverců odchlek S mmálí Ze zadáí je zřejmé že ma čtverců odchlek S mí ýt tě velčo ezáporo reálých případech je to avíc velča kladá a to ze dvo důvodů: je zřídkakd e ám podaří rereí model vrat atolk doře a pozorovao závlot popoval realtck v celém rozah v detalech kd e ám to podařlo pak je to počítat tím že závlo velč eměříme kd aoltě přeě Každé měřeí je zatížeo cho měřeí chž deme předpokládat že odchlk jm způoeé mají áhodé rozložeí 3 Jo takovo podmíko může ýt mmálot očt aoltích hodot odchlek eo jejch čtvrtých moc Ncméě takto defovaé podmík e požívají je zřídka a ve zcela odůvoděých případech 3 Odoě lze zavét očet čtverců odchlek v oecějším případě kd závle proměá pozorovaá velča je fkcí ěkolka ezávlých proměých m dávajících vektor m ložkam přčemž každém z měřeí můžeme přodt jto váh -té měřeí je pak dáo pořádao m+-tcí číel { } Rereí model pak de fkcí m ezávlých proměých a parametrů Hledáme í takovo fkc z rereího model pro ž je fkcoál mmálí [ F ] S
4 4 Fkc S můžete předtavt jako zprohýao ploch v + rozměrém protor kde rozměrů je vhrazeo pro ložk vektor a +-tý rozměr je rezervová pro fkčí hodot S Oecě může mít taková plocha dot komplkovaý vzhled Ncméě vžd a í můžeme jedo eo více lokálích mm z chž ovšem je ěkterá do mít ějaký dorý fzkálí ml ro vhledáváí mm v průěh fkce daé ěkolka proměým je vpracováa řada metod vemě merckých omezeém počt případů však lze k výledk dopět potp aaltcké matematk Fzkálě reálé mmm e vzačje tím že fkce S v ěm je pojtá a pojté jo všech parcálí dervace které v od mma jo rov le latí ted: S k pro všecha k Doadíme-l za S dotaeme rovc ve tvar: F F F F F F k k k k Natává-l pak v odě mmm pak je plěo všech podmíkových rovc daých výše vedeým vztahem Fkce F azývaá též rereí fkce je pak oo hledao fkcí která předtavje ejlepší přlížeí eo je jedím z ch k průěh fkčí závlot Ještě pozámk ř hledáí etrémů mma eo mama kalárích fkce je vhodé zavét pojem radet fkce Gradet v daém odě je vektor oretovaý v opačém měr ež pádce přčemž délka vektor je tím větší čím trměj v daém odě fkce proíhá Číelě jo ložk vektor radet fkce S která je fkcí proměých parametrů rov parcálím dervacím podle těchto parametrů: S S S rad S L Gradet lze takto podle potře chápat jako ď jako vektor o ložkách eo řádkovo matc lopc omocí radet očt čtverců odchlek lze podmík pro alezeí mma fkce lze pak eleatě zapat: rad S kde je vektorem o ložkách jež jo všech rov le odmíka tak říká že mmm kalárí fkce atává v tom odě kd všech ložk radet fkce jo rov le elkot vektor radet je v tomto odě lová jme a dě - hloěj e jž dotat elze opovaé metodě hledáí mma kalárí fkce e proto říká též radetí metoda radet method Doadíme-l í výraz pro m čtverců odchlek dojdeme po jtých úpravách k jedé vektorové podmíce: F F kde je radetem fkce F v od
5 5 F F F rad F L Leárí reree Řešeí otav rovc daých výše vedeým vztah je docela komplkovao záležtotí a proto eí dv že e jž předem hledají takové rereí model mž e dalo zacházet jedodšej ež oecým fkcem elké zjedodšeí zameá předpoklad že fkce F je vlatě leárí komací lovolě vraé mož fkcí f j tomto případě hovoříme o leárích rereích modelech a hledáme rereí fkc metodo leárí reree lear rereo ředpokládejme ted že rereí fkc hledáme v třídě fkcí F kde j j j F f f f f Za těchto okolotí lze ado vjádřt parcálí dervac podle k-tého parametr vektor : F k f k k-tá podmíková rovce pro alezeí mma fkce S které je v tomto případě jedé a tdíž aoltí ade podo: f f f f f f k j j k k j j k j j ztah lze po rozáoeí m přepat do tvar: f f f f f f j k j k j k j k j j ztah je zápem pro k- to ložk otav leárích rovc o ezámých jmž jo ložk hledaého vektor ohr celá tato otava vhlíží takto: M K+ + K+ M + K+ U U M U kde f f f f k j k j k j k j U f U f k k k k
6 6 Sotav rovc o ezámých j pak lze tadardím způoem řešt Nalezeím všech hledaých koefcetů je pak alezea rereí fkce kde okd á ezajímá přeot měřeí hodověrot proložeí ch parametrů a erčtot předpověd pak jme hotov opačém případě deme potpovat dále Hodot kj defjí prvk čtvercové metrcké matce rozměr zatímco hodot pravých tra rovce U k defjí prvk vektor U prvk lopcová matce Ní lze celo otav rovc zapat ještě eleatěj: U Defjme í tzv kovaračí matc H Jde o čtvercovo matc rozměr která je matcí verzí k matc latí ted o í: H - H H I kde I je jedotková matce áoím-l zleva oě dvě tra rovce matcí H dota přímý vztah pro hledao vektorovo matc : H U ro další výpočt je výhodé pracovat vektorovo fkc která je radetem fkce rereího model F případě že je rereí model leárí komací fkcí f f f je vjádřeí radet velm proté: rad F f f f Fkčí hodota rereí fkce F je očaě předpovědí pro zvoleo hodot F f j j j K odhad ejtot proložeí a ch rčeí jedotlvých parametrů a předpověd je to ejdříve vpočítat hodot ztkového rezdálího očt čtverců odchlek R pro alezeo hodot kd je teto očet mmálí: R S R S [ ] [ ] [ ] [ ] omocí rezdálí očt čtverců odchlek R lze odhadot velkot tředí kvadratcké odchlk jedoho měřeí σ Ta počtem měřeí počtem tpňů volot a očtem čtverců odchlek R oví takto: R R σ σ Odhad ejtot certat rčeí velkot k -tého parametr vektor δ je dá vztahem: δ σ da H δ σ da H
7 Odhad ejtot fkčí hodot alezeé rereí fkce v daém odě eol předpověd v odě δ je dáa vztahem: δ σ H δ σ H o rčtých úpravách vztah pro očet čtverců odchlek pro případ leárí reree lze velč S vét v trktvím tvar: j j f j S R + j j S R + j j f j Ze záp je okamžtě patro že fkce S má tvar paraolod mmem o hodotě v od Má ted jedé a tdíž aoltí mmm elm eleatí lze leárí rere řešt požtím matcového počt Defjme tř matce X Y případě W o rozměrech potpě a daoálí : f f f f f f X Y W da M M M M f f f X X X W X H X X H X W X U X Y U X W Y X X X Y U' / ' X \ Y X W X X W Y U' / ' Defjme í vektorovo lopcovo matc předpověd Y [ ; ; K; ] Y X Rezdálí očet čtverců odchlek je pak dá vztahem: R Y Y ' Y Y Y' Y ' U R Y Y ' W Y Y Y' W Y ' U R δ Y da XH X p 7 3 Základí rereí model - Aplkace MNČ Náledje ěkolk praktckých příkladů aplkace proté oecé metod ejmeších čtverců které mají ltrovat způo jak e má MNČ požívat okd tto příklad ěkom přpado jako trválí pak e emýlí eoť jde o záměr řadě příkladů do výhodo požt ěkteré tředí velč které zde zavedeme Artmetcký průměr velč a :
8 8 S S Dále tředí hodot oč velč a v růzých mocách: l m l m l m l m S kde m a l jo celá ezáporá číla Užtečé je též zavedeí tzv rozptl a a měrodatých odchlek a oor velč a a mír korelace mez m Bezrozměrý koefcet korelace r: r Lze kázat že koefcet korelace r aývá hodot mez - a přčemž je rove tehd kd mez velčam a eetje žádá leárí korelace ± je rove tehd kd jo všech hodot { } lože a jedé přímce 3 Středí hodota velč e tejo váho MNČ Navědčje-l měřeí dvojc { } tom že mez a eetje žádá závlot a že hodota je v mezích ch ejpíš kotatí potavíme rereí model takto: e + Optmálí hodot př íž je ma kvadrátů odchlek e mmálí azveme tředí hodoto Najdeme j mmalzací fkcoál S: + + S Grafem fkce je paraola mmem v od přčemž mmem R S : R I kdž mmalzac fkce S lze vpočítat přímo zkme í ze cvčých důvodů všech potřeé vztah odvodt pomocí matcových vztahů ] ; ; ; ; [ ;] ; [ 3 K K Y X X Y U X X H X X Jak patro kde e v důležtých velčách evktjí velč tdíž a ch ezáleží a moho aývat lovolo hodot
9 9 H U X X X Y U'/ ' Středí hodota podle MNČ je ted přímo rova artmetckém průměr R Y Y X Y R σ σ σ δ σ da H δ p 3 Středí hodota velč etejo váho OMNČ Staoveí tředí hodot velč etejo váho je ejjedodšší úloho řeštelo OMNČ ředpokládejme že máme trojc velč { } kde je váha -tého měřeí velč a ezávlá velča a jejíž velkot však v tomto případě jak ezáleží Rereí model de týž jako v případě A + e Optmálí hodot př íž je ma váhovaých kvadrátů odchlek e mmálí azveme tředí hodoto Najdeme j mmalzací fkce S: S I kdž mmalzace je v tomto případě jedodchá operace opět vžjeme matcových vztahů [ ; ; ; K ] da[ K ] X oe Y 3 W [ K ] Y [ K ] X W W X W X H X W X U X W Y X W X X W Y H U Středí hodota podle OMNČ je ted přímo rova váhovaém artmetckém průměr F R Y W Y X W Y R σ σ σ δ σ H δ σ [ H ] Za povšmtí jtě tojí že vztah pro δ a δ jo formálě tejé jako v případě A kd e tetýž prolém řešl pro tejé váh Rozdíl ovšem je v tom jak jo defová tředí velč z chž e př výpočt vchází
10 33 římka jdocí počátkem I MNČ Oča e můžeme etkat e tací kd je jede eo více odů závlot pevě fováo Z této ktečot míme př volě rereího model vcházet Nejjedodšším příkladem toho drh je aše očekáváí že odů o ořadcích [ ] e tejým váham lze proložt přímko jdocí odem o ořadcích [ ] eol počátkem Rereí model je pak: + e Optmálí hodot př íž je ma kvadrátů odchlek e mmálí azveme tetokrát tředím koefcetem úměrot [ ; ; K ; ] [ ; ; ; K ] X Y ; 3 3 XX H XX U XY U U p R YY XY R σ σ δ σ H δ p σ H σ ozámka: okme vpočítat koefcet úměrot jak Uvažme že pomocí každé z dvojc lze vpočítat dvdálí koefcet úměrot : / a tředí koefcet úměrot který í ozačíme ' pak lock měl ýt rove artmetckém průměr jedotlvých : Jak patro teto vztah e od výše vedeého vztah pro hodot tředího koefcet úměrot lší a žádo z dovoleých matematckých operací elze tto dva vztah ztotožt Jak to vvětlt? větleí ple z předpoklad a ěmž je protá MNČ potavea: rozptl měřeí od reálého průěh daého fkčí závlotí má povah áhodé velč a zejméa jak ezáví a hodotě další měřeé velč Je-l tato podmíka plěa pro mož měřeí { } pak ovšem emůže ýt plěa pro velč / jejíž očekávaá epřeot je epřímo úměra hodotě Růzě velko očekávao epřeot je třea v OMNČ ocet růzým ováhovaím odů kd váha jedotlvého od - - de epřímo úměra kvadrát očekávaého rozptl měřeí čl v tomto případě měla ýt úměra oložme proto přímo že Artmetcký průměr z mož e započítáím jejch dvdálích vah e vpočte podle vztah:
11 34 římka jdocí počátkem II OMNČ Oprot případ C deme avíc předpokládat že každém z odů měřeí o ořadcích [ ] de přozea rčtá dvdálí váha řevědčete e am že pokd deme počítat e tředím vážeým velčam a jejch oč pak vztah pro tředí koefcet úměrot tředí vážeo kvadratcko odchlk jedoho měřeí σ cha koefcet δ a cha předpověd δ do formálě tejé jako v případ Oecá přímka OMNČ Sad ejěžější úloho íž e př zpracováí pozorováí můžeme etkat je jak zjtt parametr předpokládaé leárí závlot mez velčam a eo jak proložt od v raf přímko Rereí model je zřejmý: e + + α římka echť je prokládáa od o ořadcích [ ] přčemž každém z odů je přozea jeho dvdálí váha Řešeím úloh je alezeí takové dvojce parametrů a a pro ěž je ma váhovaých čtverců odchlek Sα mmálí: + S α α O M M M W Y X W X X H W Y X U W X X r a a + U H kde r je korelačí koefcet ] [ ] [ a a +
12 řevědčte e že platí: což jým lov zameá že rereí přímka prochází těžštěm R Y W Y X W Y a σ R a σ σ δ σ H δ a σ H δ Nejtota měrce přímk ted ezáví a mítěí počátk zatímco cha aoltího čle a ao Mmálí je tato cha v případě kd počátek ořadc ztotožíme těžštěm Cha pak de δ a σ Cha předpověd fkčí hodot v odě - δ - je dáa vztahem: δ σ σ [ H ] + díme že podle očekáváí je cha předpověd mmálí v olat v těé lízkot těžště ve velkých vzdáleotech od ěj je amptotck přímo úměrá této vzdáleot Aoltí čle a lze eometrck terpretovat jako úek a oe který a í vtíá rereí přímka Nerčtot poloh tohoto průečík dává cha předpověd δ v odě Číelě tato cha je rova chě aoltího čle tak jak jej dává výše vedeý vztah pro δa ozámka: Doporčj ještě před výpočtem provét traformac závlé proměé tak že je deme vztahovat k jejch tředí vážeé hodotě: t Traformace ovlví je aoltí čle a δ a σ / σ t + t δ + Tímto potpem e výrazě omezí vlv zaokrohlovacích ch př výpočt a zvýší e tak přeot a polehlvot výledk 4 Úloha roložte přímk těmto dat {} a vpočtěte její parametr: a Tak a procházela počátkem Oeco přímko dktjte přtom zda eí model a lepší
13 c Zaměňte závlo a ezávlo proměo a výledek porovejte Dokažte že poměr měrc za těchto okolotí je rove r! d Řešte vše pro tac vaham a ez ch ýledk porovejte e Zkte proložt závlot polomem vššího tpě a dktjte oprávěot toho rereího model f krelete raf od proložeo přímko a ejtoto proložeí p ±δ p 3 3
14 4 5 Řešeí úloh a římka jež prochází počátkem: 6; 97±8 Oecá přímka ezávlá proměá: ; 5± + 9±7 r 78 model a je zřejmě lepší c Oecá přímka ezávlá proměá: 93; 7±8 + 69±3 r 78 Odmoca poměr měrc qrt9*69 78 je rova r d Stace vaham 4
15 5 římka jež prochází počátkem: 98; 99±8 Oecá přímka ezávlá proměá: 98; 5± + 9±7 r 8 model a je tejě dorý Oecá přímka ezávlá proměá: 85; ±8 + 76±3 r 8 Odmoca poměr měrc qrt9*76 8 je rova r e roložeí polomem tpě je ezávle proměá evážeo: -4±4 + 43±63 53±6 ; proložeí polomem 3 tpě: 4 ± + -5±97 + 3±44 3±7 3 f krelete raf od proložeo přímko a ejtoto proložeí p ±δ p 5
Odhady 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
1.1 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
1 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
Regrese. 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 =
PRAVDĚPODOBNOST 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,
} kvantitativní znaky
Měřeí tattcké závlot, korelace, regree Obecé prcpy závlot vzájemá ouvlot měřeých zaků Prof. RNDr. Jaa Zvárov rová,, DrSc. fukčí závlot x tattcká závlot átroje pro měřeí závlot leár rí regree korelace }
PRAVDĚPODOBNOST 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
, 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,
Lineární 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
jsou varianty znaku) b) při intervalovém třídění (hodnoty x
Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém
9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost
Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,
Úvod 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
Tento 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
Generování 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
Odhady 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
9. REGRESNÍ A KORELAČNÍ ANALÝZA
Pravděpodobot a tattka 9. REGRESNÍ A KORELAČNÍ ANALÝZA Průvodce tudem V předchozí kaptole jme uvedl způob, jak popat leárí závlot mez dvěma argumety a její míru. Užtím korelačích poměrů je možé zjtt, zda
5.5. 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
Metody 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
Nejistoty 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
3. 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
Měření 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
Odhady 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:
1. 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
[ jednotky ] Chyby měření
Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá
Momenty a momentové charakteristiky
Lekce 3 Momety a mometové charaktertky Pokud jme e v předešlém výkladu zmňoval o ěkteré tattcké charaktertce, zpravdla jme rověž uváděl, zda j řadíme mez více ebo méě důležté. A byly to právě artmetcký
Téma 5: Analýza závislostí
Aalýza závlotí Téma 5: Aalýza závlotí Předáša 5 Závlot mez ev Záladí pom Předmětem této aptol ude zoumáí závlotí ouvlotí mez dvěma a více ev. Jedá e o proutí do vztahů mez ledovaým ev a tím přlížeí tzv.
Korelační analýza. sdružené regresní přímky:
Koelčí lýz - ooutá závlot dvou tttckých zků; - hodot jou zíká pozoováím, ez možot ovlvěí; - eí možo ozlšt závle ezávle poměou; - hlvím átojem je ze metod ejmeších čtveců; - kždou z oou možých závlotí vthuje
P1: Úvod do experimentálních metod
P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu
- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.
MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je
11. 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
8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI
8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -
4.2 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.
Interval spolehlivosti pro podíl
Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této
Odhady 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
Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2
Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z
1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE
ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;
Charakteristiky úrovně
Charaterty úrově Měřeí úrově Úroveň (poloha) je jedou ze záladích vlatotí tattcých dat, v úrov e mohou tattcá data lšt ebo aopa hodovat. Výzačé hodoty varačí řady ejou ctlvé a změu jedotlvých hodot Medá
VY_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
Úvod 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
Chyby 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,
2. Vícekriteriální a cílové programování
2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě
III. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ
III. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ Způsob, jímž se provádí fzkálí měřeí, závsí jedak a povaze měřeé velč, jedak a tom, ze kterých vztahů pro měřeou velču vjdeme a jakých přístrojů použjeme. Všech měřcí
Popisná statistika. (Descriptive statistics)
Popá tatta Decrptve tattc Výledem měřeí je oubor aměřeých hodot vytvářející datový oubor D { } V datovém ouboru e mohou vyytovat tytéž hodoty vícerát, zejméa tehdy, mají-l velčy drétí epojtou povahu počet
Mendelova 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
Optimalizace 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
Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).
Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké
Testování 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
8 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
Téma 6: Indexy a diference
dexy a dferece Téma 6: dexy a dferece ředáška 9 dvdálí dexy a dferece Základí ojmy Vedle elemetárího statstckého zracováí dat se hromadé jevy aalyzjí tzv. srováváím růzých kazatelů. Statstcký kazatel -
Statistické charakteristiky (míry)
Stattcé charaterty (míry) - hrují formac, obažeou v datech (vyjadřují j v ocetrovaé formě); - charaterzují záladí ryy zoumaého ouboru dat; - umožňují porováváí více ouborů. upy tattcých charatert :. charaterty
Ilustrativní 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
v. Úkolem regrese (vyrovnání) argumentu y je nalézt vhodnou regresní funkci Y f (x)
9 REGRESE A KORELACE Slovo regrese oecě zmeá poh zpět ústup ávrt regresví = ustupující Opčým termíem je progrese pokrok postup šířeí růst Pojem regrese l do sttstk zvede kocem 9 století rtským učecem Frcsem
6. 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
Intervalové 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:
Spolehlivost 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
Přednáška 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
USTÁLENÉ 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
6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
Odchylka přímek
734 Odchylka římek Předoklady: 708, 7306 Pedagogická ozámka: Pokd chcete hladký růěh začátk hodiy, je leší dořed ozorit žáky, že do otřeoat zorec ro úhel do ektorů Př : Urči úhel, který sírají ektory (
Poznámky k tématu Korelace a jednoduchá lineární regrese (Téma není ve skriptech)
Pozámk k tématu Koelace a jedoduchá leáí egee (Téma eí ve kptech) Mějme data, ),...,(, ), kteá jou áhodým výběem z ějaké populace. Data ted pokládáme za ezávlé ealzace dvojce áhodých velč ( X, Y ). Půmě
Petr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
MATICOVÉ 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
Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru.
Soutava mometů Momety (Obecé, cetrálí a ormovaé) Do ytému mometových charatert patří ty ejdůležtější artmetcý průměr (mometová míra úrově) a rozptyl (mometová úroveň varablty). Obecý momet -tého tupě:
L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.
6 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
7. Analytická geometrie
7. Aaltická geoetrie Studijí tet 7. Aaltická geoetrie A. Příka v roviě ϕ s A s ϕ s 2 s 1 B p s ϕ = (s1, s 2 ) sěrový vektor přík p orálový vektor přík p sěrový úhel přík p k = tgϕ = s 2 s 1 sěrice příkp
Asynchronní motory Ing. Vítězslav Stýskala, Ph.D., únor 2006
8 ELEKTRCKÉ STROJE TOČVÉ říklad 8 Základí veličiy Určeo pro poluchače akalářkých tudijích programů FS Aychroí motory g Vítězlav Stýkala, hd, úor 006 Řešeé příklady 3 fázový aychroí motor kotvou akrátko
Testování statistických hypotéz
Tetováí tatitických hypotéz CHEMOMETRIE I, David MILDE Jedá e o jedu z ejpoužívaějších metod pro vyloveí závěrů o základím ouboru, který ezkoumáme celý, ale pomocí áhodého výběru. Př.: Je obah účié látky
Deskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
11. 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
Univerzita 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
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ
Téma 4: Výběrová šetření
Výběrová šetřeí Téma : Výběrová šetřeí Předáška Výběrové charaktertky a jejch rozděleí Výzam a druhy výběrového šetřeí tattcké šetřeí úplé vyčerpávající eúplé výběrové výběrové šetřeí aha o to aby výběrový
PRAVDĚPODOBNOST 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
7 VYUŽITÍ METOD OPERAČNÍ ANALÝZY V TECHNOLOGII DOPRAVY
7 VYUŽITÍ METOD OERAČNÍ ANALÝZY V TECHNOLOGII DORAVY Operačí aalýza jao jeda z oblatí apliovaé matematiy achází vé široé uplatěí v průmylových a eoomicých apliacích. Jedím z oborů, ve teré hraje ezatupitelou
Náhodný 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
SP2 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
3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
Doc. 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
Ilustrativní 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
Náhodné 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
SEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI
SEMESTRÁ LNÍ PRÁ CE Lceč í tudum STTISTICKÉZPRCOVÁ NÍ DT PŘ I KONTROLE Ř ÍZENÍ JKOSTI Předmě t MTEMTICKÉPRINCIPY NLÝ ZY VÍCEROZMĚ RNÝ CH DT Ú ta epemetá lí bofamace, Hadec Ká loé Ig. Mata Růžčkoá PDF byl
LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:
PRAVDĚPODOBNOST 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
8. 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,
Národní informační středisko pro podporu jakosti
Národí iformačí středisko pro podpor jakosti Kozltačí středisko statistických metod při NIS-PJ Výpočet koeficietů reglačích diagramů pro obecé riziko Ig. Václav Chmelík, CSc Ústav strojíreské techologie,
VYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
OVMT Přesnost měření a teorie chyb
Přesost měřeí a teorie chyb Základí pojmy Naměřeé údaje ejsou ikdy absolutě přesé, protože skutečé podmíky pro měřeí se odlišují od ideálích. Při každém měřeí vzikají odchylky od správých hodot chyby.
n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0
Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada
Jednoduchá lineární závislost
Jedoduchá leárí závlot Regreí fuce: ),...,, ( 0 m f Předpolad: Fuce je leárí v parametrech: ) (... ) 0 ( 0 f f m m f 0 ()... f m () regreor 0... m regreí parametr určujeme METODOU NEJMENŠÍCH ČTVERCŮ Regreí
K 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
12. 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
7.2.4 Násobení vektoru číslem
7..4 Násobeí vektor číslem Předpoklady: 703 Tetokrát začeme hed defiicí. Násobek lového vektor číslem k je lový vektor. Násobek elového vektor = B Ačíslem k je vektor C A, přičemž C je bod, pro který platí:
S1P 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
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta troího ižeýrtví Matematika IV Semetrálí práce Zpracoval: Čílo zadáí: 7 Studií kupia: Datum: 8.4. 0 . Při kotrole akoti výrobků byla ledováa odchylka X [mm] eich rozměru
, která vznikla z matice A vynecháním i-tého řádku a j-tého sloupce nazýváme minorem matice A příslušnému k prvku
Cvičeí z ieárí agebry 4 Vít Vodrák Cvičeí č Determiat a vastosti determiatů Výpočet determiat djgovaá a iverzí matice Cramerovo pravido Determiat Defiice: Nechť je reáá čtvercová matice řád Čtvercovo matici,
IV. NEJISTOTY MENÍ A ZPRACOVÁNÍ VÝSLEDK
IV. NEJISTOTY MENÍ A ZPRACOVÁNÍ VÝSLEDK Meí patí mez základí zpsoby získáváí kvattatvích formací o stav sledovaé vely. 4. Chyby meí Nedokoalost metod meí, ašch smysl, omezeá pesost mcích pístroj, promé
,6 32, ,6 29,7 29,2 35,9 32,6 34,7 35,3
Př 7: S 95% polehlivotí odhaděte variabilitu (protředictvím odhadu měrodaté odchylky) a tředí hodotu obahu vitamíu C u rajčat. Záte-li výledky rozboru 0-ti vzorků rajčat: 3 4 5 6 7 8 9 0 9,6 3,4 30 3,6
Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x),
a) Vyslovte a dokažte Liouvillovu větu o šaté aroximovatelosti algebraického čísla řádu d b) Defiujte Liouvillovo číslo c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je trascedetí 2 a) Defiujte