Oct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.
|
|
- Iva Švecová
- před 5 lety
- Počet zobrazení:
Transkript
1 Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009
2 Influence Function Stejné jako pro jednorozměrný případ až na Θ R p. Influence Function IF (x; T, F) = lim h 0 T [(1 h)f + h x ] T [F] h ve všech x X, pro které tato limita existuje. Za podmínek regularity platí: IF (x; T, F)dF(x) = 0.
3 Další vlastnosti Za platnosti dalších předpokladů T asymptoticky normální s asymptotickou varianční maticí: V (T, F) = IF (x; T, F)IF(x; T, F) T df(x). Mějme parametrický model {F θ } Θ s hustotami f θ (x) a definujme skóry s(x, θ) = θ ln f θ(x), potom J(θ) = s(x, θ)s(x, θ) T df θ (x) je Fisherova informační matice.
4 Vícerozměrný Rao Cramér Věta Za podmínek regularity pro odhady splňující T (F θ ) = θ (Fisherova konzistence) platí: V (T, F θ ) J(θ) 1 0. Analogie již uvedeného (jedna dimenze) V (T, F θ ) = IF (x; T, F θ ) 2 df θ (x) 1 J(θ)
5 Gross-Error Sensitivities unstandardized γu(t, F) = sup{ IF(x; T, F) }. x závislá na měřítku nežádoucí vlastnost. Nutno standardizovat. self-standardized γs(t, F) = sup{if (x; T, F) T V (T, F) 1 IF (x; T, F)} 1/2, x pokud je V(T,F) regulární, jinak γ s(t, F) =. information-standardized Pokud J(θ) ex. pro všechna θ, definujeme γi (T, F) = sup{if (x; T, F) T J[T (F)]IF (x; T, F)} 1/2. x
6 Breakdown point Stejná definice jako v jednorozměrném případě. Prochorovova vzdálenost F, G F(X ) rozdělení, potom π(f, G) = inf{ε; F(A) G(A ε ) + ε, A}. Breakdown point Breakdown point ε posloupnosti odhadů {T n ; n 1} v rozdělení F je definován jako ε = sup{ε 1; existuje kompakt K ε Θ tak, že: π(f, G) < ε lim n + G({T n K ε }) = 1}.
7 Analogie jednorozměrného případu: M-odhad M-odhad (funkcionál) T (F) R p je definován pomocí funkce ρ : X Θ R předpisem T (F) = argmin ρ(x, t)df(x), t nebo pomocí funkce ψ : X Θ R p jako řešení soustavy rovnic ψ(x, t)df (x) = 0 v proměnné t. Druhá definice určuje širší třídu.
8 Influence Function I. Odvození jako v jednorozměrném případě ψ(x, T (G))dG(x) = 0. Označme F t,x = (1 t)f + t x, potom 0 = ψ(y, T (F ))d( x F)(y) + θ [ψ(y, θ)] T (F )df (y) t [T (F t,x)] t=0, z čehož již dostáváme vzorec pro IF IF (x; ψ, F) = M(ψ, F) 1 ψ(x, T (F)), kde M(ψ, F) = θ [ψ(y, θ)] T (F )df(y).
9 Influence Function II. Ze vzorce pro IF získáváme následně vzorec pro asymptotický rozptyl asymptotického odhadu [ ] V (T, F) = M(ψ, F) 1 ψ(x, T (F))ψ(x, T (F)) T df(x) Předpokládejme, že T je Fisherovsky konzistentní, potom ψ(x, θ)df θ (x) = 0, θ Θ. M(ψ, F) T. Derivováním podle θ dostáváme M(ψ, F ) = ψ(x, θ) s(x, θ) T df θ (x). nový předpis pro IF: [ 1 IF (x; T, F θ ) = ψ(x, θ) s(x, θ) T df θ (x)] ψ(x, θ).
10 Příklad I. Necht X = R a Θ = {(µ, σ); σ > 0}. Mějme model s distribucemi F µ,σ = L(µ + σz ), kde Z odpovídá rozdělení F 0 hustota f 0. Omezení na ekvivariantní odhady: T {L(a+bX)} = (a+b T (1) {L(X)}, b T (2) {L(X)}) T, a, b R Pak pro libovolnou F 0 symetrickou okolo 0, T (1) (F 0 ) = 0. Pokud navíc T (2) (F 0 ) > 0, pak první složka IF lichá a druhá sudá. ze symetrie složky asymptoticky nezávislé, což znamená Dále V (T, F 0 ) = diag{v (T (1), F 0 ), V (T (2), F 0 )}. IF (x; T, F µ,σ ) = σ IF {(x µ)/σ; T, F 0 }, V (T, F µ,σ ) = σ 2 V (T, F 0 ).
11 Příklad I. aplikace na M-odhady Mějme θ 0 = (0, 1) T. Vyjádření ekvivariantního M-odhadu: ψ(x; µ, σ) = ψ 0 {(x µ)/σ}, při ψ 0 ( z) = ( ψ (1) 0 (z), ψ(2) 0 (z))t. Dostáváme ( ) B IF(x; T, F 0 ) = 1 (ψ (1) 0 ) 1 ψ (1) 0 (x) B 2 (ψ (2) 0 ) 1 ψ (2) 0 (x), kde B i (ψ (i) 0 ) = ψ (i) 0 (x) s(i) 0 (x)df 0(x), kde s 0 (x) jsou věrohodnostní skóry v θ 0 ( f s 0 (x) = 0 (x)/f ) 0(x) x f 0 (x)/f. 0(x) 1
12 Příklad I. aplikace na M-odhady pokračování Asymptotický rozptyl je pak { V (T, F 0 ) = diag A 1 (ψ (1) 0 )/B 1(ψ (1) 0 )2, A 2 (ψ (2) 0 )/B 2(ψ (2) 0 )2}, kde A i (ψ (i) 0 ) = ψ (i) 0 (x)2 df 0 (x), i = 1, 2. Aplikace na MLE Průměru a výběrové směrodatné odchylce odpovídá ( ) ψ0 ML x (x) = x 2. 1 Pro F 0 = Φ A 1 ( X) = B 1 ( X) = 1, A 2 (S) = B 2 (S) = 2, IF(x; T ML, Φ) = (x, (x 2 1)/2) T, V (T ML, Φ) = J(θ 0 ) 1 = diag(1, 1/2).
13 Robustní modifikace MLE I. Huberův odhad ( ) ψ0 P2 (x) = ψb (x) ψ b (x) 2, β kde kde b, x b, ψ b (x) = x, x < b, b, x b, β = ψ b (x) 2 dφ(x) = χ 2 3 (b2 ) + b 2 [1 χ 2 1 (b2 )].
14 Robustní modifikace MLE II. Median a median deviation kde ψ med 0 (x) = Charakteristiky odhadu: ( sign(x) sign( x β) β = Φ 1 (3/4) = ), γ u = 1.71, γ s = 2, γ i = Eficience: e 1 = 0.637, e 2 =
15 Děkuji za pozornost.
M-estimators. Oct 19th Charles University in Prague, Faculty of Mathematics and Physics. M-estimators. Základní pojmy - připomenutí.
Další Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Pracujeme s parametrickým modelem {F θ } θ Θ, kde Θ R je otevřená konvexní množina. Definice Influence
VíceM - ODHADY M - ODHADY
M - ODHADY Jan Voříšek 26. 10. 2009 Obsah Obecný případ Odhady polohy Odhady měřítka Optimally bounding the gross-error sensitivity Change-of-variance function Obecný případ Úvod Názem M-odhad je odvozen
Více6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.
6. ZÁKLADY STATIST. ODHADOVÁNÍ X={X 1, X 2,..., X n } výběr z rozdělení s F (x, θ), θ={θ 1,..., θ r } - vektor reálných neznámých param. θ Θ R k. Θ parametrický prostor. Dva základní způsoby odhadu neznámého
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
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
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
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 ;
Více1 Topologie roviny a prostoru
1 Topologie roviny a prostoru 1.1 Základní pojmy množin Intervaly a okolí Intervaly v rovině nebo prostoru jsou obdélníky nebo hranoly se stranami rovnoběžnými s osami souřadnic. Podmnožiny intervalů se
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
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
Více22 Základní vlastnosti distribucí
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 22: Základní vlastnosti distribucí 5 22 Základní vlastnosti distribucí 22.1 Temperované distribuce Definice. O funkci ϕ C (R m ) řekneme, že je rychle klesající
VíceBakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika. 1 Úvodní poznámky. Verze: 13. června 2013
Bakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika Podrobnější rozpis okruhů otázek pro třetí část SZZ Verze: 13. června 2013 1 Úvodní poznámky 6 Smyslem SZZ by nemělo být toliko
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
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
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
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
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
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VícePRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky
PRAVDĚPODOBNOS A SAISIKA Odhady parametrů SP3 Připomenutí pojmů Připomenutí pojmů z S1P a SP2 odhady Nechť X,, je náhodný výběr z rozdělení s distribuční funkcí. 1 X,, X ) ( 1 n Statistika se nazývá bodovým
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VícePrimitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program
Program Primitivní funkce a Riemannův integrál Program Primitivní funkce a Riemannův integrál Lineární algebra Program Primitivní funkce a Riemannův integrál Lineární algebra Taylorův polynom Program Primitivní
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceRobustní odhady kovarianční matice
Robustní odhady kovarianční matice Tomáš Hanzák Katedra pravděpodobnosti a matematické statistiky MFF UK Praha Seminář Stochastické modelování v ekonomii a financích 9.11. 2009 Tomáš Hanzák Robustní odhady
VíceSpojitost a limita funkce
Spojitost a ita funkce Okolí bodu Značení: a R ε > 0 označujeme O ε (a) = (a ε, a + ε) ε-ové okolí bodu a O + ε (a) = a, a + ε) pravé okolí, O ε (a) = (a ε, a levé okolí P ε (a) = O ε (a) \ {a} x a ε-ové
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
VíceProjekty - Úvod do funkcionální analýzy
Projekty - Úvod do funkcionální analýzy Projekt č. 1. Nechť a, b R, a < b. Dokažte, že prostor C( a, b ) = f : R R: f je spojitá na D(f) = a, b s metrikou je úplný. ρ(f, g) = max f(x) g(x) x a,b Projekt
VíceVlastnosti odhadů ukazatelů způsobilosti
Vlastnosti odhadů ukazatelů způsobilosti Jiří Michálek CQR při Ústavu teorie informace a automatizace AV ČR v Praze Úvod Ve výzkumné zprávě č 06 Odhady koeficientů způsobilosti a jejich vlastnosti viz
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
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
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).
Víceverze 1.3 kde ρ(, ) je vzdálenost dvou bodů v R r. Redukovaným ε-ovým okolím nazveme ε-ové okolí bodu x 0 mimo tohoto bodu, tedy množinu
Úvod Diferenciální počet více proměnných verze.3 Následující text popisuje základy diferenciálního počtu více proměnných. Měl by sloužit především studentům předmětu MATEMAT na Univerzitě Hradec Králové
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
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
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.
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
Více5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud
5 Časové řady Časovou řadou rozumíme posloupnost reálných náhodných veličin X 1,..., X n, přičemž indexy t = 1,..., n interpretujeme jako časové okamžiky. Někdy však uvažujeme i nekonečné posloupnosti
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
Více17. Posloupnosti a řady funkcí
17. Posloupnosti a řady funkcí Aplikovaná matematika III, NMAF073 M. Rokyta, KMA MFF UK ZS 2011/12 17.1 Stejnoměrná konvergence posloupnosti funkcí Definice Necht M je množina, f, f n : M R m, m, n N.
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
Více5. B o d o v é o d h a d y p a r a m e t r ů
5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Aplikovaná matematika II, NMAF072 M. Rokyta, KMA MFF UK LS 2016/17 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných množin, M n, který má následující
VíceFaster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
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
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
VíceDefinice. Nechť k 0 celé, a < b R. Definujeme. x < 1. ϕ(x) 0 v R. Lemma [Slabá formulace diferenciální rovnice.] x 2 1
9. Vriční počet. Definice. Nechť k 0 celé, < b R. Definujeme C k ([, b]) = { ỹ [,b] : ỹ C k (R) } ; C 0 ([, b]) = { y C ([, b]) : y() = y(b) = 0 }. Důležitá konstrukce. Shlzovcí funkce (molifiér, bump
Více4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
VíceDnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení.
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení. Literatura: Kapitola 2 a)-c) a kapitola 4 a)-c) ze skript Karel Rektorys: Matematika 43, ČVUT,
VíceRadka Picková Transformace náhodných veličin
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Radka Picková Transformace náhodných veličin Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: Mgr Zdeněk
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceNMFM301 Statistika pro finanční matematiky. Michal Kulich
NMFM301 Statistika pro finanční matematiky Přehledový větník Michal Kulich Naposledy upraveno dne 27. září 2014. Katedra pravděpodobnosti a matematické statistiky Matematicko-fysikální fakulta University
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceMatematická analýza III.
1. - limita, spojitost Miroslav Hušek, Lucie Loukotová UJEP 2010 Úvod Co bychom měli znát limity posloupností v R základní vlastnosti funkcí jedné proměnné (definiční obor, monotónnost, omezenost,... )
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
VícePřijímací zkouška na navazující magisterské studium 2017
Přijímací zkouška na navazující magisterské studium 27 Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A Řešení příkladů pečlivě odůvodněte. Věnujte pozornost ověření
VícePřednáška 6, 6. listopadu 2013
Přednáška 6, 6. listopadu 2013 Kapitola 2. Posloupnosti a řady funkcí. V dalším jsou f, f n : M R, n = 1, 2,..., reálné funkce jedné reálné proměnné definované na (neprázdné) množině M R. Co to znamená,
Více9. Vícerozměrná integrace
9. Vícerozměrná integrace Tomáš Salač Ú UK, FF UK LS 2017/18 Tomáš Salač ( Ú UK, FF UK ) 9. Vícerozměrná integrace LS 2017/18 1 / 29 9.1 Elementy teorie míry Poznámka Na R n definujeme systém tzv. měřitelných
VíceJe založen na pojmu derivace funkce a její užití. Z předchozího studia je třeba si zopakovat a orientovat se v pojmech: funkce, D(f), g 2 : y =
0.1 Diferenciální počet Je částí infinitezimálního počtu, což je souhrnný název pro diferenciální a integrální počet. Je založen na pojmu derivace funkce a její užití. Z předchozího studia je třeba si
VíceIII. Diferenciál funkce a tečná rovina 8. Diferenciál funkce. Přírůstek funkce. a = (x 0, y 0 ), h = (h 1, h 2 ).
III. Diferenciál funkce a tečná rovina 8. Diferenciál funkce. Přírůstek funkce = f(x 0 + h 1, y 0 + h 2 ) f(x 0, y 0 ) f u (x 0, y 0 ), kde u = (h 1, h 2 ). ( ) = f(x 0 + h 1, y 0 ) f(x 0, y 0 ) x (x 0,
VíceMatematická analýza ve Vesmíru. Jiří Bouchala
Matematická analýza ve Vesmíru Jiří Bouchala Katedra aplikované matematiky jiri.bouchala@vsb.cz www.am.vsb.cz/bouchala - p. 1/21 Matematická analýza ve Vesmíru. proměnné - p. 2/21 Definice. Funkcí (přesněji:
VíceMATEMATICKÁ STATISTIKA 1, CVIČENÍ (NMSA331) Poslední úprava dokumentu: 17. listopadu 2016
MATEMATICKÁ STATISTIKA, CVIČENÍ NMSA33 Příklay nejen pro přípravu na písemnou zápočtovou práci Poslení úprava okumentu: 7. listopau 206 Poslení úprava okumentu: 7. listopau 206 Mnohorozměrné normální rozěleni
VíceOBECNOSTI KONVERGENCE V R N
FUNKCE VÍCE PROMĚNNÝCH V reálných situacích závisejí děje obvykle na více proměnných než jen na jedné (např. na teplotě i na tlaku), závislost na jedné proměnné je spíše výjimkou. OBECNOSTI Reálná funkce
VíceMODELOVÁNÍ CHVOSTŮ TEORIE EXTRÉMNÍCH ODHADY PARETOVA INDEXU. Jan Dienstbier HODNOT. contact:
MODELOVÁNÍ CHVOSTŮ TEORIE EXTRÉMNÍCH HODNOT ODHADY PARETOVA INDEXU Jan Dienstbier contact: dienstbi@karlin.mff.cuni.cz Univerzita Karlova MFF UK - KPMS Praha KPMS, 31.10. 2007 MODELOVÁNÍ CHVOSTŮ JAK TO
VíceÚvod do parciálních diferenciálních rovnic. 2 Kanonický tvar lineárních PDR 2. řádu pro funkce
Příklady na cvičení k přednášce NMMA334 Úvod do parciálních diferenciálních rovnic 1 Kanonický tvar lineárních PDR 2. řádu pro funkce dvou proměnných 1. Určete typ parciální diferenciální rovnice u xx
Více15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
VíceKatedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze Příjmení a jméno ➊ ➋ ➌ ➍ ➎ ➏ Bonus
Zkoušková písemná práce č. 1 z předmětu 01MAB4 pondělí 25. května 2015, 9:00 11:00 Vypočítejte integrál y d(, y), kde Ω Objekt Ω načrtněte do obrázku! Ω = { (, y) R 2 :, y 0 4 + y 4 1 ( 4 + y 4 ) 3 16
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
VíceZavedeme-li souřadnicový systém {0, x, y, z}, pak můžeme křivku definovat pomocí vektorové funkce.
KŘIVKY Křivka = dráha pohybujícího se bodu = = množina nekonečného počtu bodů, které závisí na parametru (čase). Proto můžeme křivku také nazvat jednoparametrickou množinou bodů. Zavedeme-li souřadnicový
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceFunkce. Limita a spojitost
Funkce. Limita a spojitost skriptum J. Neustupa text Funkce (úvod) na této web stránce III.2 Fce - základní pojmy 1. Definice, def. obor D(f), obor hodnot H(f), graf 2. Fce složená, omezená, 3. Fce sudá,
Více1/15. Kapitola 2: Reálné funkce více proměnných
1/15 Kapitola 2: Reálné funkce více proměnných Vlastnosti bodových množin 2/15 Definice: ε-ové okolí... O ε (X) = {Y R n ρ(x, Y ) < ε} prstencové ε-ové okolí... P ε (X) = {Y R n 0 < ρ(x, Y ) < ε} Definice:
VíceZÁKLADNÍ POJMY a analýza výběru
ZÁKLADNÍ POJMY a analýza výběru PARAMETR je statistická charakteristika základního souboru (značíse řeckými písmeny, např. střední hodnota μ ). STATISTIKA je statistická charakteristika výběrového souboru
VíceEuklidovský prostor. Funkce dvou proměnných: základní pojmy, limita a spojitost.
Euklidovský prostor. Funkce dvou proměnných: základní pojmy, limita a spojitost. Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceSPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení
SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční
Více7. Aplikace derivace
7. Aplikace derivace Verze 20. července 2017 Derivace funkce se využívá při řešení úloh technické praxe i teorie. Uvedeme několik z nich: vyčíslení hodnot funkce, výpočet limity, vyšetřování průběhu funkce
VíceÚVOD DO TEORIE ODHADU. Martina Litschmannová
ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
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)
VíceOtázku, kterými body prochází větev implicitní funkce řeší následující věta.
1 Implicitní funkce Implicitní funkce nejsou funkce ve smyslu definice, že funkce bodu z definičního oboru D přiřadí právě jednu hodnotu z oboru hodnot H. Přesnější termín je funkce zadaná implicitně.
VíceUčební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných študenti MFF 15. augusta 2008 1 5 Základy teorie funkcí více proměnných Požadavky Parciální derivace a totální
VíceCvičení ke kursu Vyčíslitelnost
Cvičení ke kursu Vyčíslitelnost (23. prosince 2017) 1. Odvoďte funkci [x, y, z] x y z ze základních funkcí pomocí operace. 2. Dokažte, že relace nesoudělnosti je 0. Dokažte, že grafy funkcí Mod a Div jsou
Více