KONEČNĚ ROZDĚLENÁ ZPOŽDĚNÍ. POLYNOMICKY ROZDĚLENÉ ZPOŽDĚNÍ.
|
|
- Vladimíra Urbanová
- před 5 lety
- Počet zobrazení:
Transkript
1 KONEČNĚ ROZDĚLENÁ ZPOŽDĚNÍ. POLYNOMICKY ROZDĚLENÉ ZPOŽDĚNÍ. Teto text je zaměře a modely koečě zpožděí, podroběji je pak rozebráo polyomicky rozděleé zpožděí. Občas bývá rozumé zahrout do modelu eje současé, ale i miulé hodoty určitých proměých. Například pokud předpokládáme, že dovoz do země závisí eje a HDP v současém období, ale i a HDP v miulém období, ebo a dovozu v miulém období, ebo a obojím, je vhodé to v modelu ějak zohledit. Z modelu statického se tak stae model dyamický. V případě, že do modelu zahreme zpožděé hodoty vysvětlující proměé, azývá se to model rozděleých zpožděí (distributed lag). Pokud zahreme zpožděé hodoty vysvětlovaé proměé, jde o autoregresí model (autoregressive mode). A koečě, pokud zahreme obojí, říká se tomu autoregressive-distributed-lag, ADL model. Musíme však ějakým způsobem určit délku zpožděí a jeho strukturu. Na to eexistuje striktí postup, můžeme vyjít z ekoomické hypotézy či si pomoci iformačími kritérii (Akaikeho AIC, Haa- Qui, Schwarz), a hledáme model, kde budou tato kritéria co ejmeší. Pro určeí struktury zpožděí potřebujeme mít k dispozici dodatečou iformaci, jak by to ejspíš mohlo vypadat, tedy jestli by třeba koeficiety mohly trvale klesat apod. Často můžeme předpokládat, že váhy jsou geerováy ějakou zámou pravděpodobostí fukcí. Máme-li ějaké iformace o délce zpožděí, můžeme použít modely koečě rozděleého zpožděí, kdy do modelu zahreme třeba je dvě ebo tři zpožděé proměé. Zpožděé vlivy vysvětlujících proměých tak trvají pouze určitý čas a pak jejich vliv vyprchá. Co se týče struktury koeficietů, čili určeí vah parametrů, můžeme předpokládat: že trvale rovoměrě klesají (druhé pozorováí má meší vliv ež prví, třetí ež druhé atd.) aritmeticky rozděleé zpožděí že váhy ejprve lieárě rostou a pak lieárě klesají obráceé V že jejich forma eí lieárí (klesají, rostou, klesají ) aproximace polyomem ízkého stupě Jestliže emáme iformace o délce zpožděí, vyjdeme většiou z modelu ekoečě rozděleých zpožděí. Opět je potřeba určit, jak mohou vypadat váhy parametrů (reakčí koeficiety) zpožděých vysvětlujících proměých. ejčastěji předpokládáme, že klesají geometrickou řadou geometrické zpožděí také si ale můžeme myslet, že maximálí efekt má jiá vysvětlující proměá ež ta z posledího období Pascalovo rozděleí další možosti: racioálě rozděleé zpožděí, gama rozděleé zpožděí, expoeciálě rozděleé zpožděí
2 Modely ekoečě rozděleého zpožděí jsou podroběji rozebráy v otázce Modely rozděleých zpožděí. Friedmaova spotřebí fukce a permaetí důchod. KONEČNĚ ROZDĚLENÁ ZPOŽDĚNÍ Obecý tvar modelu koečě rozděleých zpožděí je ásledující: Y t = α + β 0X t + β 1X t-1 + β 2X t-2 β X t- + u t To zameá, že současá hodota vysvětlovaé proměé je závislá a současých a miulých hodotách vysvětlujících proměých. Při splěí GM předpokladů můžeme takovýto model odhadout metodou ejmeších čtverců. Parametry β mají ásledující iterpretaci. Představme si, že X bylo kostatí a pak se v období t zvýšilo o jedotku, ale v dalších obdobích se vrátilo zpět a svou původí úroveň. β 0 ám říká, jak se v průměru změí Y t. Říká se mu běžý multiplikátor. β 1 ám říká, jak se v průměru změí Y t+1. Říká se mu dyamický multiplikátor (zpožděý o jedo období). β i ám říká, jak se v průměru změí Y t+i. Říká se mu dyamický multiplikátor (zpožděý o i období). Představme si, že X bylo kostatí a pak se v období t zvýšilo o jedotku a už zůstalo vyšší. β 0 ám říká, jak se v průměru změí Y t. Říká se mu běžý multiplikátor. β 0 +β 1 ám říká, jak se v průměru změí Y t+1. Říká se mu středědobý kumulativí multiplikátor. β 0 +β 1 + β i ám říká, jak se v průměru změí Y t+i. Říká se mu středědobý kumulativí multiplikátor. i=0 β i ám říká, jaká bude celková průměrá změa Y t+q. Říká se mu celkový multiplikátor. Co když se ale etrefíme s délkou zpožděí? Jestliže je skutečé zpožděí *, pak a) při specifikaci < * ebudou kvůli vypuštěí relevatích vysvětlujících proměých odhady parametrů estraé b) při > * ebudou kvůli přítomosti irelevatích proměých odhady parametrů vydaté
3 Příklad: podívej se a ásledující odhad modelu, pomocí ěhož šikový ekoometr jméem Bob odhadl závislost své měsíčí útraty za kulturu (Y) a výši svého měsíčího platu (X) s požitím modelu koečě rozděleých zpožděí. čas běžý multiplikátor Y t = ,08X t + 0,04X t-1 + 0,02X t-2 + 0,01X t-3 dyamické multiplikátory středědobé kumulativí multiplikátory celkový multiplikátor t = 0 0,08 t = 1 0,04 0,12 t = 2 0,02 0,14 t = 3 0,01 0,15 Při své běžé výši platu, která čií Kč (Bob pracuje a part-time, e že by si ekoometrové vydělávali tak málo, zároveň ještě studuje), Bob průměrě utratí za kulturu Kč měsíčě. Když Bob dostae v prosici bous ke své výplatě ve výši Kč, tak v prosici utratí za kulturu v průměru o 80 Kč více = běžý multiplikátor. V ledu už Bob žádý bous edostae, protože práci fláká, eboť se pilě připravuje a zkoušky. Přesto i v ledu utratí díky prosicovému měsíčímu bousu v průměru o 40 Kč více za kulturu = dyamický multiplikátor zpožděý o jedo období. Kdyby ale Bob dostal bous ve výši Kč jak v prosici, tak v ledu, utratil by v ledu za kulturu v průměru o 120 Kč více ež obvykle = středědobý kumulativí multiplikátor. Bobův šéf se rozhodl, že mu trvale zvýší plat o Kč. Díky tomu bude Bob v průměru utrácet o 150 Kč více za kulturu ež dříve = celkový multiplikátor. Přesé odhady parametrů může být těžké získat, protože mezi zpožděými hodotami vysvětlující proměé bývá silá koliearita, v modelu se často vyskytuje autokorelace, a směrodaté chyby odhadutých parametrů bývají tedy vysoké (to zameá, že odhady mají velkou variabilitu a při jiém výběru můžou vyjít úplě jiak). Může ale pomoci to, když do modelu zahreme apriorí iformaci o tvaru zpožděí. To zameá, že přijmeme určitý předpoklad o tom, jak ejspíš působí vysvětlující proměá a vysvětlovaou (zda její vliv s rostoucím časem stále klesá, ebo ejprve roste a pak klesá apod.). Na základě tohoto předpokladu zavedeme určitou restrikci parametrů a odhademe tzv. omezeý model, z ěhož pak můžeme parametry původího modelu zpětě dopočítat.
4 ARITMERICKY ROZDĚLENÉ ZPOŽDĚNÍ: Jestliže předpokládáme, že váhové koeficiety klesají aritmetickou řadou, můžeme je defiovat jako β i = ( + 1 i)β pro i = 0,1, β i = 0 pro i >. Dosadíme-li to do vztahu Y t = α + β 0X t + β 1X t-1 + β 2X t-2 β qx t-q + u t, dostaeme: Y t = β i=0 ( + 1 i)x t i + u t Y t = βz t + u t Například pro = 3 (vliv mají 3 zpožděé hodoty vysvětlující proměé) platí: β 0= ( )β = 4β ; β 1= ( )β = 3β; β 2= 2β; β 3= 1β ; β 4= 0; β 5= 0; Y t = α + β 0X t + β 1X t-1 + β 2X t-2 +β 3X t-3 +u t Y t = α + 4βX t + 3βX t-1 + 2βX t-2 +1βX t-3 +u t Y t = α + β(4x t + 3X t-1 + 2X t-2 +1X t-3) +u t Y t = α + βz t +u t, kde Z t = 4X t + 3X t-1 + 2X t-2 +1X t-3 Model Y t = α + βz t + u t je sadé odhadout klasickou MNČ. Tak získáme β a dopočítáme β i. OBRÁCENÉ V Jestliže předpokládáme, že váhové koeficiety klesají aritmetickou řadou, můžeme je defiovat jako β i. = (i + 1)β pro 0 i /2 β i = ( + 1 i)β pro i 1 + /2 Dosadíme-li to do vztahu Y t = α + β 0X t + β 1X t-1 + β 2X t-2 β qx t-q + u t,, dostaeme: /2 Y t = β[ i=0 (i + 1)X t i + i=1+/2 ( + 1 i)x t i ] + u t Y t = βz t + u t Například pro = 4 (vliv mají 4 zpožděé hodoty vysvětlující proměé) platí: β 0= (0 + 1)β = 1β; β 1= (1 + 1)β = 2β; β 2= (2 + 1)β =3β; β 3= ( ) = 2β; β 4= ( ) = 1β; β 5= 0; Y t = α + β 0X t + β 1X t-1 + β 2X t-2 +β 3X t-3 + β 4X t-4 +u t Y t = α + 1βX t + 2βX t-1 + 3βX t-2 +2βX t-3 + 1β 4X t-4 +u t Y t = α + β(1x t + 2X t-1 + 3X t-2 +2X t-3 + 1X t-4 ) +u t Y t = α + βz t +u t, kde Z t = 1X t + 2X t-1 + 3X t-2 +2X t-3 +1X t-4 Opět, model Y t = α + βz t + u t je sadé odhadout klasickou MNČ. Tak získáme β a dopočítáme β i.
5 POLYNOMICKY ROZDĚLENÉ ZPOŽDĚNÍ Jestliže by ám pomohlo specifikovat pružější formu váhových koeficietů, můžeme využít model Almoové. Teto model, azývaý model polyomicky rozdělých zpožděí, předpokládá, že průběh vah v čase se dá aproximovat polyomem ízkého řádu, obecě: β i = a 0 + a 1i + a 2i a ri r Jak vybrat polyom? Pro teto polyom by mělo platit, že je meší ež délka zpožděí, ale větší ež počet bodů zvratů křivky. Když váhy rostou a pak klesají (jako je tomu u obráceého V), tak je dobrý polyom 2. řádu. Jestliže má trajektorie β cyklický charakter, tak je dobrý polyom 3. řádu. Příklad bude ukázá pro polyom 2. řádu. Pak tedy apriorím omezeím vah bude: β i = a 0 + a 1i + a 2i 2 pro i = 0,1 (kde je délka zpožděí) Tedy: Y t = α + a 0X t + (a 0 + a 1 + a 2)X t-1 + (a 0 + a a 2)X t- + u t Y t = α + a 0 i=0 X t i + a 1 i=0 ix t i + a 2 i=0 i 2 X t i + u t Defiují se tři ové proměé: Z 0t = i=0 X t i ; Z 1t = i=0 ix t i ; Z 2t = i=0 i 2 X t i A přepíšeme model jako Y t = α + a 0Z 0t + a 1Z 1t + a 2Z 2t + u t. To je omezeý model koečě rozděleého zpožděí, protože + 1 ezámých váhových koeficietů je redukováo je a r + 1 koeficietů (zde pro r = 2 máme 3 koeficiety). Zpožděé hodoty X jsou ahrazey jejich lieárími kombiacemi (proměými Z). Příklad pro = 4: β i = a 0 + a 1i + a 2i 2 b 0 = a 0 + 0a 1 + 0a 2 = a 0 b 1 = a 0 + 1a 1 + 1a 2 b 2 = a 0 + 2a 1 + 4a 2 b 3 = a 0 + 3a 1 + 9a 2 b 4 = a 0 + 4a a 2 Z 0t = X t + X t-1 + X t-2 + X t-3 + X t-4 Z 1t = 1X t-1 + 2X t-2 + 3X t-3 + 4X t-4 Z 2t = 1X t-1 + 4X t-2 + 9X t X t-4 Proměé Z si tedy dopočítáme z X, odhademe a 0, a 1, a 2 a dopočítáme b. Výhodou je sížeí multikoliearity. Problémem v praxi bývá ezalost délky zpožděí. Chce to vyzkoušet a porovat modely s růzou délkou zpožděí apříklad pomocí iformačích kritérií. Zároveň ale ezáme ai te ejlepší polyom. Ideálí je udělat to dvoustupňově, tedy určit si ejprve délku zpožděí, a pak pro daou délku určit polyom.
6 PŘÍKLAD (Zdroj: 9. cvičeí ECON2300 Uiversity of Queeslad) Následující výstup zachycuje odhad modelu závislosti počtu akrů pěstovaé cukrové třtiy a farmě paa Doalda (A) a ceě cukrové třtiy (P) v Bagladéši. Kokrétě jde o ásledující model (model 1): l(a t ) = α + β 0 l(p t ) + β 1 l(p t 1 ) + β 2 l(p t 2 ) + β 3 l(p t 3 ) + β 4 l(p t 4 ) + u t Pracujeme tedy s proměým ve tvaru logaritmů a jde o model koečě rozděleých zpožděí, kdy má vliv současá a čtyři předchozí hodoty vysvětlující proměé. Odhad modelu v E-views vypadá ásledově: Zkuste si a ásledující otázky ejprve odpovědět sami: 1) Pozor a to, jak se iterpretují zlogaritmovaé proměé. Kokrétě zde se parametr β 0 iterpretuje tak, že: a) když se současá cea zvede o jedotku, zvede se počet akrů také o 0,77 jedotek b) když se současá cea zvede o jedotku, zvede se počet akrů o 0,77 % c) když se současá cea zvede o 1 %, zvede se počet akrů o 0,77 jedotek d) když se současá cea zvede o 1 %, zvede se počet akrů o 0,77 % 2) Jaký podíl variability vysvětlovaé proměé se podařilo modelem vysvětlit? 3) Kolik parametrů je dle modelu, epočítáme-li úrovňovou kostatu, statisticky výzamých a 5% hladiě výzamosti? 4) Co ejspíš způsobilo statistickou evýzamost ěkterých parametrů? Odpovědi: 1) Správě je d), protože vysvětlující i vysvětlovaá proměá jsou ve tvaru logaritmů. 2) Podařilo se ám vysvětlit 29,8 % variability vysvětlovaé proměé. Zjistíme to z koeficietu determiace. 3) Pouze jede (β 0), jehož p-hodota je meší ež 0,05.
7 4) Příčiou je pravděpodobě multikoliearita. Je těžké modelem zachytit odděleý vliv jedotlivých proměých. Pomoci by mohlo to, kdybychom využili apriorí iformaci o vahách parametrů. Pak bychom mohli sestavit omezeý model s meším počtem proměých, což by mohlo vyřešit problém multikoliearity. Model eí ic moc, usoudil farmář Doald. Odhadl tedy ový model s apriorím omezeím vah. Rozhodl se, že použije aproximaci vhodým polyomem. Délku zpožděí echal opět stejou, čili = 4, a a β i aproximoval vztahem: β i = α 0 + iα 1 Zde je model (model 2) a jeho odhad: l(a t ) = α + α 0 z t0 + α 1 z t1 + u t, kde z t0 = l(p t ) + l(p t 1 ) + l(p t 2 ) + l(p t 3 ) + l(p t 4 ) z t1 = l(p t 1 ) + 2l(P t 2 ) + 3l(P t 3 ) + 4l(P t 4 ) Čemu se dle tohoto modelu budou rovat parametry β i? β 0= α 0 + 0α 1 = 0,42 β 1 = α 0 + 1α 1 = 0,32 β 2 = α 0 + 2α 1 = 0,22 β 3 = α 0 + 3α 1 = 0,12 β 4= α 0 + 4α 1 = 0,02 Odhaduté modely tedy vypadají ásledově: l(a t) = α + β 0 l(p t ) + β 1 l(p t 1 ) + β 2 l(p t 2 ) + β 3 l(p t 3 ) + β 4 l(p t 4 ) Model 1: l(a t) = 3,82 + 0,77 l(p t ) 0,21 l(p t 1 ) 0,003 l(p t 2 ) + 0,59 l(p t 3 ) 0,01 l(p t 4 ) Model 2: l(a t) = 3,82 + 0,42 l(p t ) + 0,32 l(p t 1 ) + 0,22 l(p t 2 ) + 0,12 l(p t 3 ) + 0,02 l(p t 4 ) Ai druhý model eí ikterak skvělý. Nicméě vidíme, že odhaduté parametry mají hodoty smysluplější hodoty. Druhý model získaý s využitím apriorí iformace o vahách parametrů bychom preferovali před prvím.
8 ZDROJE Hušek, R: Ekoometrická aalýza. Nakladatelství Oecoomica, Praha Berry, K., Wei, S.: Distributed Lag Models. Uversity of Wyomig, Uiversity of Queeslad, ECON2300 (lecture 9 ad tutorial 9), Australia 2012.
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
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
VíceDeskriptivní 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
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
VíceREGRESNÍ DIAGNOSTIKA. Regresní diagnostika
4.11.011 REGRESNÍ DIAGNOSTIKA Chemometrie I, David MILDE Regresí diagostika Obsahuje postupy k posouzeí: kvality dat pro regresí model (přítomost vlivých bodů), kvality modelu pro daá data, splěí předpokladů
VíceSTATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson
STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VícePřednáška II. Lukáš Frýd
Předáška II Lukáš Frýd ҧ ҧ Statistické vlastosti odhadu pomocí metody ejmeších čtverců b 1 iid(μ, σ ) ε~iid(0, σ ) b 1 = β 1 + σ i=1 x i x. ε x i xҧ σ i=1 Var b 1 = Var β 1 + σ i=1 x i x. ε i x i xҧ σ
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
Více} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy
Měřeí statistické závislosti, korelace, regrese Prof. RNDr. Jaa Zvárov rová,, DrSc. MĚŘENÍZÁVISLOSTI Cílem statistické aalýzy vepidemiologii bývá eje staovit, zda oemocěí závisí a výskytu rizikového faktoru,
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
Více10.3 GEOMERTICKÝ PRŮMĚR
Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo
VíceVzorový příklad na rozhodování BPH_ZMAN
Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha
VíceStatistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc
Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VíceUžití binomické věty
9..9 Užití biomické věty Předpoklady: 98 Často ám z biomického rozvoje stačí pouze jede kokrétí čle. Př. : x Urči šestý čle biomického rozvoje xy + 4y. Získaý výraz uprav. Biomický rozvoj začíá: ( a +
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
Více6. 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
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
Více0,063 0,937 0,063 0, P 0,048 0,078 0,95. = funkce CONFIDENCE.NORM(2α; p(1 p)
. Příklad Při průzkumu trhu projevilo 63 z dotázaých zákazíků zájem o iovovaý výrobek, který má být uvede a trh se zákazíky. Odvoďte a odhaděte proceto a počet zájemců v populaci s 95% spolehlivostí. Následě
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceTržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.
Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví
VíceAnalýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam
Více9.1.12 Permutace s opakováním
9.. Permutace s opakováím Předpoklady: 905, 9 Pedagogická pozámka: Pokud echáte studety počítat samostatě příklad 9 vyjde tato hodia a skoro 80 miut. Uvažuji o tom, že hodiu doplím a rozdělím a dvě. Př.
Vícef x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )
DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
VícePopisná statistika. Zdeněk Janák 9. prosince 2007
Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
VíceS polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické
5 Itegrace racioálích fukcí 5 Itegrace racioálích fukcí Průvodce studiem V předcházejících kapitolách jsme se aučili počítat eurčité itegrály úpravou a základí itegrály, metodou per partes a substitučí
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopraví Statistika Semestrálí práce Zdražováí pohoých hmot Jméa: Martia Jelíková, Jakub Štoudek Studijí skupia: 2 37 Rok: 2012/2013 Obsah Úvod... 2 Použité
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr 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 realizací
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceLineární a adaptivní zpracování dat. 9. Modely časových řad II.
Lieárí a adaptiví zpracováí dat 9. Modely časových řad II. Daiel Schwarz Ivestice do rozvoje vzděláváí Opakováí K čemu je dobré vytvářet modely procesů geerující časové řady? Dekompozice časový řad: jaké
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VícePetr 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
VíceSTUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6
Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II
Více1.7.4 Těžiště, rovnovážná poloha
74 ěžiště, rovovážá poloha Předpoklady: 00703 Př : Polož si sešit a jede prst tak, aby espadl Záleží a místě, pod kterým sešit podložíš? Proč? Musíme sešit podložit prstem přesě uprostřed, jiak spade Sešit
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
Více9.1.13 Permutace s opakováním
93 Permutace s opakováím Předpoklady: 906, 9 Pedagogická pozámka: Obsah hodiy přesahuje 45 miut, pokud emáte k dispozici další půlhodiu, musíte žáky echat projít posledí dva příklady doma Př : Urči kolik
Vícejsou reálná a m, n jsou čísla přirozená.
.7.5 Racioálí a polomické fukce Předpoklad: 704 Pedagogická pozámka: Při opisováí defiic racioálí a polomické fukce si ěkteří studeti stěžovali, že je to příliš těžké. Ve skutečosti je sstém, kterým jsou
VícePřednáška 7, 14. listopadu 2014
Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.
VíceKvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)
Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.
VíceVaR analýza citlivosti, korekce
VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou
VíceSekvenční logické obvody(lso)
Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách
VíceAbstrakt. Co jsou to komplexní čísla? K čemu se používají? Dá se s nimi dělat
Komplexí čísla Hoza Krejčí Abstrakt. Co jsou to komplexí čísla? K čemu se používají? Dá se s imi dělat ěco cool? Na tyto a další otázky se a předášce/v příspěvku pokusíme odpovědět. Proč vzikla komplexí
VíceVYSOCE 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,
Vícevají statistické metody v biomedicíně
Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
Více3. 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
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
Více2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II
2,3 ČTYŘI STADARDÍ METODY I, ČTYŘI STADARDÍ METODY II 1.1.1 Statické metody a) ARR - Average Rate of Retur průměrý ročí čistý zisk (po zdaěí) ARR *100 % ( 20 ) ivestic do projektu V čitateli výrazu ( 20
Více1. Základy počtu pravděpodobnosti:
www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých
VíceLineární a adaptivní zpracování dat. 8. Modely časových řad I.
Lieárí a adaptiví zpracováí dat 8. Modely časových řad I. Daiel Schwarz Ivestice do rozvoje vzděláváí Cíl, motivace Popis a idetifikace systémů BLACK BOX Cíl, motivace Popis a idetifikace systémů BLACK
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VíceP. Girg. 23. listopadu 2012
Řešeé úlohy z MS - díl prví P. Girg 2. listopadu 202 Výpočet ity poslouposti reálých čísel Věta. O algebře it kovergetích posloupostí.) Necht {a } a {b } jsou kovergetí poslouposti reálých čísel a echt
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceMatematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Více13 Popisná statistika
13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický
VíceZhodnocení přesnosti měření
Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek
VíceLekce 2 Jednoduchý lineární regresní model
Lekce 2 Jedoduchý lieárí regresí model Co si řekeme v této lekci Trochu opáčko miulé lekce Sezámíme se s jedoduchým regresím modelem Vysvětlíme si co je to regrese Naučíme se jej iterpretovat Metoda ejmeších
VíceK čemu slouží regrese?
REGRESE K čemu slouží regrese? C = Ca + c. Y C = 00 + 0,6. Y + e Budeme zjišťovat jak jeda proměá (ezávislá) Ovlivňuje jiou proměou (závislou) C Y 950 1000 910 150 1130 1500 1150 1750 1475 000 1550 50
Vícevají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví
Statistika v biomedicísk ském výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Literatura Edice Biomedicísk ská statistika vydáva vaá a Uiverzitě
VíceTeorie odhadů 2 Teorie odhadů... 3 Odhad parametrů... 4
Metody odhadováí parametrů. Metoda mometů. Maximálě věrohodé odhady. Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_prit.pdf
Více1 Uzavřená Gaussova rovina a její topologie
1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho
Více11. přednáška 16. prosince Úvod do komplexní analýzy.
11. předáška 16. prosice 009 Úvod do komplexí aalýzy. Tři závěrečé předášky předmětu Matematická aalýza III (NMAI056) jsou věováy úvodu do komplexí aalýzy. Což je adeseá formulace eboť časový rozsah ám
VíceMOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ
PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT
Více6. P o p i s n á s t a t i s t i k a
6. P o p i s á s t a t i s t i k a 6.. Pozámka: Při statistickém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákoitosti, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 3. ÚKOL JB TEST 3. Úkol zadáí pro statistické testy U každého z ásledujících testů uveďte ázev (včetě autora), předpoklady použití, ulovou
VícePŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR
PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy
VíceTento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/
Teto projekt je spolufiacová Evropským sociálím fodem a Státím rozpočtem ČR IoBio CZ..07/2.2.00/28.008 Připravil: Ig. Vlastimil Vala, CSc. Metody zkoumáí ekoomických jevů Kapitola straa 3 Metoda Z řeckého
VíceInterval 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
Více