ODHADY NÁVRATOVÝCH HODNOT PRO
|
|
- Radomír Beneš
- před 9 lety
- Počet zobrazení:
Transkript
1 ODHADY NÁVRATOVÝCH HODNOT PRO SRÁŽKOVÁ A TEPLOTNÍ DATA Katedra aplikované matematiky Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci Novohradské statistické dny
2 ÚVOD Velká pozornost v analýze extrémních dat (např. záplavy) je věnována odhadům T -leté úrovně (návratová hodnota, T -letá voda). Představa: úroveň opakující se v průměru jednou za T let.
3 ÚVOD Velká pozornost v analýze extrémních dat (např. záplavy) je věnována odhadům T -leté úrovně (návratová hodnota, T -letá voda). Představa: úroveň opakující se v průměru jednou za T let. Z pohledu statistiky: vysoký kvantil rozdělení náhodné veličiny (průtoku). ( u(t )=F ) T P (X >u(t )) = 1 F (u(t )) = 1 T
4 PŘÍKLAD Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení metoda max. věrohodnosti Maximální dosažená hodnota za sledované období 36.2.
5 ZÁKLADNÍ PRINCIPY Necht X 1,X 2,...jsou nezávislé stejně rozdělené náhodné veličiny s distribuční funkcí F. Necht M n =max(x 1,...,X n ). Předpokládejme, že existuje posloupnost reálných čísel a n > 0 a b n tak, že posloupnost (M n b n )/a n konverguje v distribuci, t.j. P ((M n b n )/a n x) =F n (a n x + b n ) G(x), n, pro nějakou nedegenerovanou d.f. G(x) Jestliže podmínka platí, říkáme, že F je ve sféře přitažlivosti G (maximum domain of attraction), F MDA(G).
6 ZÁKLADNÍ PRINCIPY FISHEROVA-TIPPETTOVA VĚTA (1928) Jestliže F MDA(G) potom { G je typu jedné z následujících tří d.f. 0, x 0 Fréchet Φ 1/γ (x) = exp ( x 1/γ), x > 0 γ>0 { { } exp ( x) 1/γ, x 0 Weibull Ψ 1/γ (x) = 1 x>0 γ>0 Gumbel Λ(x) =exp( e x ), x R.
7 ZÁKLADNÍ PRINCIPY FISHEROVA-TIPPETTOVA VĚTA (1928) Jestliže F MDA(G) potom { G je typu jedné z následujících tří d.f. 0, x 0 Fréchet Φ 1/γ (x) = exp ( x 1/γ), x > 0 γ>0 { { } exp ( x) 1/γ, x 0 Weibull Ψ 1/γ (x) = 1 x>0 γ>0 Gumbel Λ(x) =exp( e x ), x R. GNĚDĚNKO (1943) Limitní rozdělení je zobecněné rozdělení extrémních hodnot. { ( ) exp (1 + γx) 1/γ γ 0 G(x) =G γ (x) = exp( e x ) γ =0, kde 1+γx > 0 G je určena jednoznačně až na parametr polohy a měřítka.
8 METHOD OF BLOCK MAXIMA Předpokládáme, že data rozdělíme do bloků obsahující n (velké) hodnot, bereme maximum v každém bloku a využijeme limitní výsledek, t.j. GEV rozdělení. Užití limitního rozdělení: ( Mn b n P a n ) x G γ (x). y = a n x + b n P (M n y) G γ ( y bn a n ) = G γ,bn,a n (y). Parametry odhadneme, např. metodou maximální věrohodnosti
9 METHOD OF BLOCK MAXIMA pro γ =0 L(b, a, γ) = m log a (1 + 1/γ) L(b, a) = m log a i=1 Neexistuje analytické řešení. m i=1 m i=1 [ 1+γ m ( ) zi b a ( log 1+γ ( zi b a ( )) zi b a )] 1/γ m {( zi b exp a i=1 )}.
10 L-MOMENTOVÁ METODA Necht X 1,X 2,...X n je náhodný výběr s distribuční funkcí F (x) a kvantilovou funkcí Q(u) a necht X 1:n X 2:n X n:n jsou pořádkové statistiky. L-momenty: EX j:r = λ r = 1 r 1 ( ) r 1 ( 1) k EX r k:r, r =1, 2,... r k k=0 r! (j 1)!(r j)! λ 1 = EX = x (F (x)) j 1 (1 F (x)) r j df (x) 1 λ 2 = 1 2 E(X 2:2 X 1:2 )= λ 3 = 1 3 E(X 3:3 2X 2:3 + X 1:3 )= 0 1 Q(u)du Q(u)(2u 1)du Q(u)(6u 2 6u +1)du
11 L-MOMENTOVÁ METODA Příklady L-momentů některých rozdělení: Rovnoměrné na (a, b) λ 1 = 1 2 (a + b),λ 2 = 1 6 (b a),τ 3 =0,τ 4 =0 Normální N (µ, σ 2 ) λ 1 = µ, λ 2 = σ π,τ 3 =0,τ 4 = Gumbelovo rozdělení F (x) =exp[ exp( (x ξ)/α)] λ 1 = ξ + αγ, λ 2 = α log 2,τ 3 =0.1699, τ 4 =0.1504,γ = konst. Zobecněné rozdělení F (x) =exp[ (1 k(x ξ)/α) 1 k ] extrémních hodnot λ 1 = ξ + α(1 Γ(1 + k))/k, (GEV) λ 2 = α(1 2 k )Γ(1 + k)/k, τ 3 =2(1 3 k )/(1 2 k ) 3,τ 4 =... k> 1, Γ(.) označuje gamma funkci
12 L-MOMENTOVÁ METODA Odhady: Výběrový L moment: r =1, 2,...,n. Speciálně: ( ) 1 n l r =... r 1 ( ) r 1 r 1 ( 1) k r k 1 i 1<i 2<...<i r n k=0 l 1 = 1 n X ir k :n, n X i, l 2 = 1 ( ) 1 n (Xi:n X j:n ) 2 2 i=1 i>j l 3 = 1 ( ) 1 n (Xi:n 2X j:n + X k:n ) 3 3 i>j>k l 4 = 1 ( ) 1 n (Xi:n 3X j:n +3X k:n X l:n ) 4 4 i>j>k>l
13 L-MOMENTOVÁ METODA Odhady paramterů L-momentová metoda Rovnoměrné na (a, b) â = l 1 3l 2, â = l 1 +3l 2 Normální N (µ, σ 2 ) ˆµ = l 1, =ˆσ = π 1/2 l 2 Gumbelovo rozdělení F (x) =exp[ exp( (x ξ)/α)] ˆξ = l 1 ˆαγ, ˆα = l 2 / log 2 γ = konst. Zobecněné rozdělení F (x) =exp[ (1 k(x ξ)/α) 1 k ] extrémních hodnot z =2/(3 + t 3 ) log 2/ log 3, (GEV) ˆk =7.8590z z 2, ˆα = l 2ˆk/[(1 2 ˆk)Γ(1 + ˆk)], ˆξ = l 1 +ˆα[Γ(1 + ˆk) 1]/ˆk
14 L-MOMENTOVÁ METODA Výhody: Pro malé a střední rozsahy výběrů odhady mohou mít lepší vlastnosti než metoda maximální věrohodnosti např. simulační studie (Hosking, Wallis, Wood) ukazuje, že pro všechna k GEV z intervalu (-0.5,0.5) a rozsah výběru do 100 mají odhady menší či srovnatelnou střední kvadratickou chybu ve srovnání s odhady maximální věrohodností Výpočetně jednoduchá, metoda maximální věrohodnosti pro některá rozdělení obtížně aplikovatelná Ve srovnání s konvenční metodou momentů méně citlivá na odlehlá pozorování (u vyšších momentů), Neexistence vyšších konvenčních momentů, L-momenty ano. např. GEV pro k< 1/3 neexistují třetí a čtvrté momenty
15 PŘÍKLAD Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení metoda max. věrohodnosti L-momentová metoda Maximální dosažená hodnota za sledované období 36.2.
16 PŘÍKLAD Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení metoda max. věrohodnosti L-momentová metoda Gumbelovo rozdělení metoda max. věrohodnosti L-momentová metoda Maximální dosažená hodnota za sledované období 36.2.
17 PŘÍKLAD Maximální třídenní úhrny srážek v letech ve Valašském Mezi říčí
18 SRÁŽKY -LIBERECKO Stanice srpen 2010 roky (bez) roky (s) Hejnice ( ) ( ) Mníšek ( ) ( ) Chrastava ( x10 6 ) ( ) Mařenice ( x10 6 ) ( ) Bedřichov ( ) ( ) Liberec ( ) ( )
19 SRÁŽKY -LIBERECKO
20 POT METODA Necht X 1,X 2,...jsou nezávislé stejně rozdělené náhodné veličiny s ditr. funkcí F. Je "rozumné" zahrnovat všechny hodnoty překračující daný vysoký práh (threshold) u. Chování extrémních událostí je dáno podmíněnou pravděpodobností P (X i >y X i >u) a P (X i <y X i >u) H(y), u u end, zobecněné Paretovo rozdělení H(x) = 1 ( 1+γ ( x µ σ )) 1/γ γ 0 x µ 1 e ( σ ) γ =0, kde 1+γ ( ) x µ σ > 0. Uvažujeme hodnoty větší než dostatečně vysoký práh (threshold) a předpokládáme, že asymptotický výsledek je přibližně pravdivý, tj. užijeme zobecněné Paretovo rozdělení jako vhodný model. Metoda je známa jako peaks-over-threshold (POT).
21 POT Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení L-momentová metoda POT treshold treshold Maximální dosažená hodnota za sledované období 36.2.
22 TREND V DATECH When a significant trend is present in the data, no fixed threshold in the POT models is suitable over longer periods of time: there are either too few (or no) exceedances over the threshold in an earlier part of records or too many exceedances towards the end of the examined period.
23 TREND V DATECH Studovány maximální denní teploty v Evropě v letech za účelem odhadnout vysoké kvantily vysokých teplot. Použity výstupy ze dvou GCMs ( Global Climate Models CM2.0 and CM2.1.) - denní simulovaná data pokrývající období CM2.0 a CM2.1 jsou modely NOAA Geophysical Fluid Dynamics Laboratory. Mají horizontální rozlišení (délka x šířka) a 24 vertikálních úrovní. Předpokládají vzrůst koncentrace skleníkových plynů - uvažuje se několik (7) scénářů. Pro každý uzlový bod a každý scénář za období byl threshold odhadnut jako 95% regresní kvantil. Soustředili jsme se 20-ti letou teplotu (20-yr return values), tj. na 95% kvantil (1-1/20) a srovnávali s "klasickými" POT modely uvažující 30leté periody a (jako threshold brán obvyklý 95% kvantil z dat daného období)
24 TREND V DATECH Mean annual number of exceedances above the threshold (averaged over gridpoints) for the 95% regression quantile and the 95% quantile.
25 TREND V DATECH Differences between 20-yr return values of TMAX estimated using non-stationary POT model for year 2050 and stationary POT model over Large (small) crosses mark gridpoints in which the estimated 90% (80%) CIs do not overlap.
26 TREND V DATECH Differences between 20-yr return values of TMAX estimated using non-stationary POT model for year 2100 and stationary POT model over Large (small) crosses mark gridpoints in which the estimated 90% (80%) CIs do not overlap.
ODHADY NÁVRATOVÝCH HODNOT
ODHADY NÁVRATOVÝCH HODNOT KLIMATOLOGICKÝCH DAT Katedra aplikované matematiky Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci Robust 2018 ÚVOD Velká pozornost v analýze extrémních
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
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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceTéma 4: Stratifikované a pokročilé simulační metody
0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
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
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
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
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
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
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
VíceIDENTIFIKACE BIMODALITY V DATECH
IDETIFIKACE BIMODALITY V DATECH Jiří Militky Technická universita v Liberci e- mail: jiri.miliky@vslib.cz Milan Meloun Universita Pardubice, Pardubice Motto: Je normální předpokládat normální data? Zvláštnosti
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
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
VíceEXTRÉMY V TEPLOTNÍCH ŘADÁCH
ROBUST 24 c JČMF 24 EXTRÉMY V TEPLOTNÍCH ŘADÁCH Monika Rencová Klíčová slova: Teorie extrémů, teplotní řady, tříparametrické Weibullovo rozdělení. Abstrakt: Ze statistického hlediska je užitečné studovat
Více8 Coxův model proporcionálních rizik I
8 Coxův model proporcionálních rizik I Předpokládané výstupy z výuky: 1. Student umí formulovat Coxův model proporcionálních rizik 2. Student rozumí významu regresních koeficientů modelu 3. Student zná
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VíceBrno University of Technology. Ing. Jan Holešovský. Metody odhadu parametrů rozdělení extrémního typu s aplikacemi
Vysoké učení technické v Brně Brno University of Technology Fakulta strojního inženýrství Faculty of mechanical engineering Ústav matematiky Institute of mathematics Ing. Jan Holešovský Metody odhadu parametrů
VíceIntervalové Odhady Parametrů
Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze
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
VíceToolboxy analýzy a modelování stochastických systémů
Toolboxy analýzy a modelování stochastických systémů Ústav teorie informace a automatizace, AVČR Oddělen lení stochastické informatiky Petr Salaba Toolboxy analýzy a modelování stochastických systémů Projekt:
VíceTéma 3 Metoda LHS, programový systém Atena-Sara-Freet
Spolehlivost a bezpečnost staveb, 4.ročník bakalářského studia Téma 3 Metoda LHS, programový systém Atena-Sara-Freet Parametrická rozdělení Metoda Latin Hypercube Sampling (LHS) aplikovaná v programu Freet
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
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
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
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
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
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 =
VíceStatistika, Biostatistika pro kombinované studium. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2014/2015 Tutoriál č. 6: ANOVA Jan Kracík jan.kracik@vsb.cz Obsah: Testování hypotéz opakování ANOVA Testování hypotéz (opakování) Testování
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
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
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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceCvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.
11 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické
VíceKVADRATICKÁ KALIBRACE
Petra Širůčková, prof. RNDr. Gejza Wimmer, DrSc. Finanční matematika v praxi III. a Matematické modely a aplikace 4. 9. 2013 Osnova Kalibrace 1 Kalibrace Pojem kalibrace Cíle kalibrace Předpoklady 2 3
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceHodnocení vlastností materiálů podle ČSN EN 1990, přílohy D
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Miroslav Sýkora Kloknerův ústav, ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceTesty nezávislosti kardinálních veličin
Testy nezávislosti kardinálních veličin Komentované řešení pomocí programu R Ústav matematiky Fakulta chemicko inženýrská Vysoká škola chemicko-technologická v Praze Načtení vstupních dat Vstupní data
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceMatematika (KMI/PMATE)
Matematika (KMI/PMATE) Přednáška druhá aneb Úvod do matematické analýzy Limita a spojitost funkce Matematika (KMI/PMATE) 1 / 30 Osnova přednášky lineární funkce y = kx + q definice lineární funkce význam
VíceKvantifikace operačního rizika v rámci Přistupu distribuce ztrát
Kvantifikace operačního rizika v rámci Přistupu distribuce ztrát Jiří Havlický 1 Abstrakt Článek je zaměřen na stanovení a zhodnocení citlivosti výše očekávané a neočekávané ztráty plynoucí z podstupovaného
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta. Daniel Veselý. Katedra pravděpodobnosti a matematické statistiky
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Daniel Veselý Teorie extremálních rozdělení ve financích Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce:
Víceodlehlých hodnot pomocí algoritmu k-means
Chybějící a odlehlé hodnoty; odstranění odlehlých hodnot pomocí algoritmu k-means Návod ke druhému cvičení Matěj Holec, holecmat@fel.cvut.cz ZS 2011/2012 Úvod Cílem cvičení je připomenout důležitost předzpracování
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
VíceLimita posloupnosti, limita funkce, spojitost. May 26, 2018
Limita posloupnosti, limita funkce, spojitost May 26, 2018 Definice (Okolí bodu) Okolím bodu a R (také ε- okolím) rozumíme množinu U(a, ε) = {x R; x a < ε} = (a ε, a + ε), bod a se nazývá střed okolí a
Víceletní semestr 2012 Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 Opakování t- vs. neparametrické Wilcoxonův jednovýběrový test Opakování
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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceDRN: Soustavy linárních rovnic numericky, norma
DRN: Soustavy linárních rovnic numericky, norma Algoritmus (GEM: Gaussova eliminace s částečným pivotováním pro převod rozšířené regulární matice na horní trojúhelníkový tvar). Zadána matice C = (c i,j
VíceNeparametrické odhady podmíněné rizikové funkce
Ústav matematiky a statistiky Přírodovědecká fakulta Masarykova univerzita Finanční matematika v praxi III a Matematické modely a aplikace 3.-6. září 2013 Obsah 1 Analýza přežití Funkce přežití a riziková
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
Více0.1 Úvod do matematické analýzy
Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Limita a spojitost funkce Lineární funkce Lineární funkce je jedna z nejjednodušších a možná i nejpoužívanějších funkcí. f(x) = kx + q D(f)
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceStochastické diferenciální rovnice
KDM MFF UK, Praha Aplikace matematiky pro učitele 15.11.2011 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceÚstav matematiky a statistiky Masarykova univerzita Brno. workshopy Finanční matematika v praxi III Matematické modely a aplikace Podlesí
Ústav matematiky a statistiky Masarykova univerzita Brno workshopy Finanční matematika v praxi III Matematické modely a aplikace Podlesí 3. 6. září 2013 Obsah 1 2 3 4 y Motivace y 10 0 10 20 30 40 0 5
Více7 Regresní modely v analýze přežití
7 Regresní modely v analýze přežití Předpokládané výstupy z výuky: 1. Student rozumí významu regresního modelování dat o přežití 2. Student dokáže definovat pojmy poměr rizik a základní riziková funkce
VíceZpůsobilost systému měření podle normy ČSN ISO doc. Ing. Eva Jarošová, CSc.
Způsobilost systému měření podle normy ČSN ISO 22514-7 doc. Ing. Eva Jarošová, CSc. Předmět normy Postup validace měřicího systému a procesu měření (ověření, zda daný proces měření vyhovuje požadavkům
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
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.
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
VíceMatematika I (KMI/PMATE)
Přednáška první aneb Úvod do matematické analýzy Funkce a její vlastnosti Úvod do matematické analýzy Osnova přednášky pojem funkce definice funkce graf funkce definiční obor funkce obor hodnot funkce
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 1
PRAVDĚPODOBNOST A STATISTIKA Neparametrické testy hypotéz čast 1 Neparametrické testy hypotéz - úvod Neparametrické testy statistických hypotéz se používají v případech, kdy neznáme rozdělení pozorované
VíceACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LII 6 Číslo 3, 2004 Gasser-Müllerův odhad J. Poměnková Došlo: 8.
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
VíceVzdálenost jednoznačnosti a absolutně
Vzdálenost jednoznačnosti a absolutně bezpečné šifry Andrew Kozlík KA MFF UK Značení Pracujeme s šifrou (P, C, K, E, D), kde P je množina otevřených textů, C je množina šifrových textů, K je množina klíčů,
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceZměny v rozložení klimatických pásem podle modelových projekcí projektu CMIP5
Katedra fyziky atmosféry Matematicko-fyzikální fakulta Univerzity Karlovy Změny v rozložení klimatických pásem podle modelových projekcí projektu CMIP5 M. Belda, T. Halenka, E. Holtanová, J. Kalvová michal.belda@mff.cuni.cz
VíceStudijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie
Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie Doporučené průběhy studia pro rok 2014/15 24. září 2014 Vysvětlivky: Tento dokument obsahuje několik alternativních
Více0.1 Funkce a její vlastnosti
0.1 Funkce a její vlastnosti Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost (m) čas (t) výše úrokové sazby v bance (i) cena
VíceAplikace 2: Hledání informativních příznaků pro rozpoznávání
Aplikace : Hledání informativních příznaků pro rozpoznávání Sonogram štítné žlázy v podélném řezu zdravá lymfocitická thyroitida Zajímá nás, kolik se lze z dat dozvědět o třídě c a kde ta informace je.
VíceMatematika (KMI/PMATE)
Úvod do matematické analýzy Funkce a její vlastnosti Funkce a její vlastnosti Veličina Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Funkce a její
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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
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
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceTEPELNÁ ZÁTĚŽ, TEPLOTNÍ REKORDY A SDĚLOVACÍ PROSTŘEDKY
Rožnovský, J., Litschmann, T. (ed.): XIV. Česko-slovenská bioklimatologická konference, Lednice na Moravě 2.-4. září 2002, ISBN 80-85813-99-8, s. 242-253 TEPELNÁ ZÁTĚŽ, TEPLOTNÍ REKORDY A SDĚLOVACÍ PROSTŘEDKY
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VícePŘÍSPĚVEK K PLÁNOVÁNÍ ÚDRŽBY ŽELEZNIČNÍCH VOZIDEL CONTRIBUTION TO THE MAINTENANCE PLANNING OF RAIL VEHICLES
PŘÍSPĚVEK K PLÁNOVÁNÍ ÚDRŽBY ŽELEZNIČNÍCH VOZIDEL CONTRIBUTION TO THE MAINTENANCE PLANNING OF RAIL VEHICLES Jan Famfulík 1 Anotace:Při plánování údržby železničních vozidel máme k dispozici určité (omezené)
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
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
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
Více0.1 Úvod do matematické analýzy
Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Pojem funkce Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost
Více