Periodicita v časové řadě, její popis a identifikace, exponenciální vyrovnáván
|
|
- Rudolf Němec
- před 7 lety
- Počet zobrazení:
Transkript
1 Periodicita v časové řadě, její popis a identifikace, exponenciální vyrovnávání Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel jiri.neubauer@unob.cz
2 Periodicita v časových řadách Některé časové řady obsahují periodickou složku. Pomocí vybraných nástrojů spektrální analýzy budeme tuto složku identifikovat. Mějme funkci periodickou funkci R cos(2πft + φ), R je amplituda, f je frekvence a φ označuje fázový posuv. Tato funkce se opakuje každou časovou jednotku T = 1 perioda. f
3 Periodicita v časových řadách Graf zobrazuje dvě tyto funkce v diskrétním čase t = 1,..., 96 s frekvencemi 4/96 a 14/96. Funkce s nižší frekvencí má nulový fázový posuv, ta s vyšší frekvencí má fázový posuv 0,6π.
4 Periodicita v časových řadách Vytvořme lineární kombinaci těchto funkcí ( Y t = 2 cos 2πt 4 ) [ ( + 3 cos 2π t 14 )] ,3. (1) Periodicita je nyní skrytá.
5 Periodicita v časových řadách Platí kde R cos(2πft + φ) = A cos(2πft) + B sin(2πft), R = A 2 + B 2, ( φ = arctan B ) A a obráceně A = R cos φ, B = R sin φ. Pro pevně danou hodnotu frekvence f lze použít cos(2πft) a sin(2πft) jako prediktory a odhadnout A a B pomocí metody nejmenších čtverců.
6 Periodicita v časových řadách Obecnou kombinaci m kosinových funkcí s libovolnými amplitudami a frekvencemi lze zapsat ve tvaru 1 Y t = A 0 + m [A j cos(2πf jt) + B j(2 sin f jt)]. j=1 Metodu nejmenších čtverců lze použít pro odhady A j a B j, pokud mají frekvence speciální tvar, regrese jsou jednoduché. Předpokládejme že n je liché, n = 2k + 1. Frekvence 1/n, 2/n,..., k/n se nazývají fourierovské frekvence. Prediktory tvořené funkcemi sinus a kosinus v těchto frekvencích jsou ortogonální, dostáváme odhady  j = 2 n n Y t cos t=1 ( 2πtj n  0 = Y t ) a Bj = 2 n n ( ) 2πtj Y t sin n t=1 1 A 0 je koeficient kosinové funkce pro nulovou frekvenci, B 0 je koeficient kosinové funkce pro nulovou frekvenci, je tedy nulový a vzorci se neobjevuje.
7 Periodicita v časových řadách Je-li n sudé, n = 2k, předchozí rovnice platí pro j = 1, 2..., k 1, ale pro j = k dostáváme  k = 1 n ( 1) t Y t, a Bk = 0. (2) n t=1
8 Periodogram Pro liché n = 2k + 1 je periodogram I pro frekvenci f = j/n, j = 1, 2,..., k definován ( ) j I = n (Â2 j + n 2 B ) j 2. Pro sudé n = 2k získáme hodnoty periodogramu pro j = 1, 2,..., k 1 podle předchozího vztahu, pro j = k, tedy frekvenci f = k/n = 1/2 je ( ) 1 I = 2 nâ2 k, viz výraz (2). Pozn. Pro dlouhé časové řady se pro výpočet používá FFT (fast Fourier transform).
9 Periodogram Graf zobrazuje periodogram lineární kombinace funkcí (1)
10 Periodogram Rozšíříme nyní definici periodogramu na všechny frekvence z intervalu 0 f 1/2 I (f ) = n (Â2 f + 2 B ) f 2, kde  f = 2 n n Y t cos(2πtf ) a Bf = 2 n t=1 n Y t sin(2πtf ). t=1
11 Periodogram Půlnoční magnitudy (jas) jisté hvězdy v 600 po sobě jdoucích dnech
12 Periodogram Proč frekvence omezovat na interval 0 f 1/2? V grafu jsou zobrazeny dvě kosinové funkce, jedna s frekvencí f = 1/4 a druhá s frekvencí f = 3/4 (čárkovaná čára). Měříme-li hodnoty těchto funkcí pouze v časech t = 0, 1, 2,..., dostáváme identické hodnoty. V diskrétním čase nemůže od sebe tyto dvě funkce rozlišit aliasing frekvencí. Nyquistova frekvence f = 1/2.
13 Periodogram - mzda v ČR
14 Periodogram - mzda v ČR
15 Metody exponenciálního vyrovnávání určují předpovědi časové řady pomocí minulých pozorování. Tato predikce (předpověď) je obvykle určena jako vážený součet těchto pozorování. Mezi základní metody patří jednoduché exponenciální vyrovnávání, které nezahrnuje ani trend ani sezónní složku. Předpověď pro čas t + h je založená na úrovni proměnné â v čase t Ŷ t(h) = â t, kterou lze rekurzivně odhadnout jako vážený průměr pozorované a predikované hodnoty Y t â t = αy t + (1 α)ŷt 1 = = αy t + (1 α)â t 1, (3) kde 0 < α < 1 je vyhlazovací parametr.
16 Za počáteční hodnotu â 1 se obvykle bere hodnota Y 1. Postupným dosazováním do vztahu (3) dostáváme Ŷ t(h) = â t = αy t + (1 α)â t 1 = αy t + (1 α)(αy t 1 + (1 α)â t 2) = = αy t + α(1 α)y t 1 + (1 α) 2 â t 2 = αy t + α(1 α)y t 1+ + (1 α) 2 (αy t 2 + (1 α)â t 3) = = αy t + α(1 α)y t 1 + α(1 α) 2 Y t Odtud je vidět, že předpověď Ŷt(h) je tvořena váženým součtem hodnot Y t i, i = 0, 1, 2,... s váhami α(1 α) i. Volba vyhlazovacího parametru α ovlivňuje spočítanou předpověď. V programu R je hodnota parametru α zvolena tak, aby se minimalizovala čtvercová chyba predikce (součet čtverců odchylek naměřených a predikovaných hodnot).
17 Metodu jednoduchého exponenciální vyrovnávání lze rozšířit o trendovou složku, předpovědi mají potom tvar kde Ŷ t(h) = â t + hˆb t, â t = αy t + (1 α)(â t 1 + ˆb t 1), ˆb t = β(â t â t 1) + (1 β)ˆb t 1 Uvedenou metodu lze použít v případě, kdy v krátkých úsecích lze trendovou složku považovat za lineární. Podobně jako u jednoduchého exponenciálního vyrovnávání, obsahuje uvedená metoda neznámé parametry α a β. Jejich hodnoty jsou v programu R nalezeny minimalizací čtvercové chyby predikce.
18 Model lze ještě dále rozšířit o sezónní složku, hovoří se potom o tzv. Holt-Wintersovu vyrovnávání. Obsahuje tři parametry: α pro úroveň, β pro trend a γ pro sezónní složku (funkce HoltWinters). Aditivní Holt-Wintersovo vyrovnání s periodou sezónní složky p má tvar kde â t, ˆb t a ŝ t jsou dány vztahy Ŷ t(h) = â t + hˆb t + ŝ (t p+1+(h 1) mod p), â t = α(y t ŝ t p) + (1 α)(â t 1 + ˆb t 1), ˆb t = β(â t â t 1) + (1 β)ˆb t 1, ŝ t = γ(y t â t) + (1 γ)ŝ t p. Multiplikativní Holt-Wintersovo vyrovnávání má tvar kde â t, ˆb t a ŝ t jsou dány vztahy Ŷ t(h) = (â t + hˆb t)ŝ (t p+1+(h 1) mod p), â t = α(y t ŝ t p) + (1 α)(â t 1 + ˆb t 1), ˆb t = β(â t â t 1) + (1 β)ˆb t 1, ŝ t = γ(y t/â t) + (1 γ)ŝ t p.
19 měsíční produkce piva v Austrálii
20 mzda v ČR Obrázek vlevo ukazuje výsledek exponenciálního vyrovnávání, obrázek vpravo potom fit pomocí periodických funkcí viz periodogram.
Časové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
VíceÚvod do analýzy časových řad
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2... } se nazývá stochastický
VíceKTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
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,
VícePeriodicita v časové řadě, její popis a identifikace
Periodicita v časové řadě, její popis a idetifikace 1 Periodicita Některé časové řady obsahují periodickou složku. Pomocí vybraých ástrojů spektrálí aalýzy budeme tuto složku idetifikovat. Mějme fukci
VíceNejprve si připomeňme z geometrie pojem orientovaného úhlu a jeho velikosti.
U. 4. Goniometrie Nejprve si připomeňme z geometrie pojem orientovaného úhlu a jeho velikosti. 4.. Orientovaný úhel a jeho velikost. Orientovaným úhlem v rovině rozumíme uspořádanou dvojici polopřímek
Více13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách
13 Regrese 13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách znaku X. Přitom je třeba vyřešit jednak volbu funkcí k vystižení dané závislosti a dále stanovení konkrétních
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
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
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
Více2011 (datový soubor life expectancy CR.txt). Budeme predikovat vývoj očekávané doby dožití pomocí
Příklady užití časových řad k predikci rizikových jevů 1 Očekávaná doba dožití v ČR Máme k dispozici časovou řadu udávající očekávanou dobu dožití v České republice od roku 1960 do roku 2011 (datový soubor
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
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
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
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceModely stacionárních časových řad
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Proces bílého šumu Proces {ɛ t} nazveme bílým šumem s nulovou střední hodnotou a rozptylem σ 2 a
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
VíceEkonometrie. Jiří Neubauer
Úvod do analýzy časových řad Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Úvod do analýzy
Více9. cvičení z Matematické analýzy 2
9. cvičení z Matematické analýzy 7. listopadu -. prosince 7 9. Určete Fourierovu řadu periodického rozšíření funkce ft = t na, a její součet. Definice: Necht f je -periodická funkce, která je integrabilní
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
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
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých
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. 1/19 typu: m x (sin x, cos x) R(x, ax +...)dx. Matematická analýza ve Vesmíru.
VíceČasové řady a jejich periodicita pokračování
Časové řady a jejich periodicita pokračování Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Dekompozice časových řad Jak
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
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceLineární a adaptivní zpracování dat. 3. SYSTÉMY a jejich popis ve frekvenční oblasti
Lineární a adaptivní zpracování dat 3. SYSTÉMY a jejich popis ve frekvenční oblasti Daniel Schwarz Osnova Opakování: systémy a jejich popis v časové oblasti Fourierovy řady Frekvenční charakteristika systémů
VíceAplikovaná matematika I
Metoda nejmenších čtverců Aplikovaná matematika I Dana Říhová Mendelu Brno c Dana Říhová (Mendelu Brno) Metoda nejmenších čtverců 1 / 8 Obsah 1 Formulace problému 2 Princip metody nejmenších čtverců 3
Vícesin(x) x lim. pomocí mocninné řady pro funkci sin(x) se středem x 0 = 0. Víme, že ( ) k=0 e x2 dx.
Použití mocniných řad Nejprve si ukážeme dvě jednoduchá použití Taylorových řad. Příklad Spočtěte následující limitu: ( ) sin(x) lim. x x ( ) Najdeme lim sin(x) x x pomocí mocninné řady pro funkci sin(x)
VíceDerivace funkce. Přednáška MATEMATIKA č Jiří Neubauer
Přednáška MATEMATIKA č. 9-11 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Šotová, J., Doudová, L. Diferenciální počet funkcí jedné proměnné Motivační příklady
VíceMnohorozměrná statistická data
Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná
VíceFUNKCE A JEJICH VLASTNOSTI
PŘEDNÁŠKA 3 FUNKCE A JEJICH VLASTNOSTI Pojem zobrazení a funkce Uvažujme libovolné neprázdné množiny A, B. Přiřadíme-li každému prvku x A právě jeden prvek y B, dostáváme množinu F uspořádaných dvojic
VíceVěta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)
1. Lineární diferenciální rovnice řádu n [MA1-18:P1.7] rovnice typu y n) + p n 1 )y n 1) +... + p 1 )y + p 0 )y = q) 6) počáteční podmínky: y 0 ) = y 0 y 0 ) = y 1 y n 1) 0 ) = y n 1. 7) Věta 1.3 : Necht
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
Více7. Funkce jedné reálné proměnné, základní pojmy
, základní pojmy POJEM FUNKCE JEDNÉ PROMĚNNÉ Reálná funkce f jedné reálné proměnné je funkce (zobrazení) f: X Y, kde X, Y R. Jde o zvláštní případ obecného pojmu funkce definovaného v přednášce. Poznámka:
Více16 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 16: Fourierovy řady 1 16 Fourierovy řady 16.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
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
VíceKomplexní analýza. Fourierovy řady. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Fourierovy řady Martin Bohata Katedra matematiky FEL ČVU v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Fourierovy řady 1 / 20 Úvod Často se setkáváme s periodickými
VíceDefinice (Racionální mocnina). Buď,. Nechť, kde a a čísla jsou nesoudělná. Pak: 1. je-li a sudé, (nebo) 2. je-li liché, klademe
Úvodní opakování. Mocnina a logaritmus Definice ( -tá mocnina). Pro každé klademe a dále pro každé, definujeme indukcí Dále pro všechna klademe a pro Později budeme dokazovat následující větu: Věta (O
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceMnohorozměrná statistická data
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceČíselné charakteristiky a jejich výpočet
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VíceKapitola 1: Reálné funkce 1/20
Kapitola 1: Reálné funkce 1/20 Funkce jedné proměnné 2/20 Definice: Necht M R. Jestliže každému x M je přiřazeno jistým předpisem f právě jedno y R, říkáme, že y je funkcí x. x... nezávisle proměnná (neboli
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
Více18 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 18: Fourierovy řady 7 18 Fourierovy řady 18.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
Více9.2. Zkrácená lineární rovnice s konstantními koeficienty
9.2. Zkrácená lineární rovnice s konstantními koeficienty Cíle Řešíme-li konkrétní aplikace, které jsou popsány diferenciálními rovnicemi, velmi často zjistíme, že fyzikální nebo další parametry (hmotnost,
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
VíceTransformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
VíceKGG/STG Statistika pro geografy. Mgr. David Fiedor 4. května 2015
KGG/STG Statistika pro geografy 11. Analýza časových řad Mgr. David Fiedor 4. května 2015 Motivace Úvod chceme získat představu o charakteru procesu, která časová řada reprezentuje Jaké jevy lze znázornit
Více31ZZS 9. PŘEDNÁŠKA 24. listopadu 2014
3ZZS 9. PŘEDNÁŠKA 24. listopadu 24 SPEKTRÁLNÍ ANALÝZA Fourierovy řady Diskrétní Fourierovy řady Fourierova transformace Diskrétní Fourierova transformace Spektrální analýza Zobrazení signálu ve frekvenční
VíceVypracoval: Mgr. Lukáš Bičík TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY
Vlastnosti funkcí Vypracoval: Mgr. Lukáš Bičík TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY Definiční obor Definiční obor funkce je množina všech čísel,
VíceP ˇ REDNÁŠKA 3 FUNKCE
PŘEDNÁŠKA 3 FUNKCE 3.1 Pojem zobrazení a funkce 2 3 Uvažujme libovolné neprázdné množiny A, B. Přiřadíme-li každému prvku x A právě jeden prvek y B, dostáváme množinu F uspořádaných dvojic (x, y) A B,
VíceOsnova. Idea ASK/FSK/PSK ASK Amplitudové... Strana 1 z 16. Celá obrazovka. Konec Základy radiotechniky
Pulsní kódová modulace, amplitudové, frekvenční a fázové kĺıčování Josef Dobeš 24. října 2006 Strana 1 z 16 Základy radiotechniky 1. Pulsní modulace Strana 2 z 16 Pulsní šířková modulace (PWM) PAM, PPM,
VíceLimita funkce. FIT ČVUT v Praze. (FIT) Limita funkce 3.týden 1 / 39
Limita funkce FIT ČVUT v Praze 3.týden (FIT) Limita funkce 3.týden 1 / 39 Definice funkce. Zobrazení (f, D f ), jehož definiční obor D f i obor hodnot H f je podmnožinou množiny reálných čísel, se nazývá
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
Více8 ANALÝZA ČASOVÝCH ŘAD SEZÓNNÍ SLOŽKA
8 ANALÝZA ČASOVÝCH ŘAD SEZÓNNÍ SLOŽKA RYCHLÝ NÁHLED KAPITOLY Následující kapitolou pokračujeme v tématu analýza časových řad a blíže se budeme zabývat problematikou jich pravidelné kolísavost, která je
Více2. prosince velikosti symboly a, b, je b ω a b = a b cosω (1) a. ω pro ω π/2, π platí a b = b a a (3) a b = a 1 b 1 + a 2 b 2 + a 3 b 3 (5)
Vektorové prostory se skalárním součinem 2. prosince 25 1 Skalární součin geometrických vektorů Skalární součin geometrických vektorů je definován jako součin jejich velikostí násobený kosinem jejich odchylky.
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Budeme předpokládat, že X a Y jsou kvalitativní náhodné veličiny, obor hodnot X obsahuje r hodnot (kategorií,
VícePřehled funkcí. Funkce na množině D R je předpis, který každému číslu z množiny D přiřazuje právě jedno reálné číslo. přehled fcí.
Přehled funkcí Martina Hetmerová Gymnázium Přípotoční 1337 Praha 10 Vlastnosti funkcí Funkce na množině D R je předpis, který každému číslu z množiny D přiřazuje právě jedno reálné číslo Zapisujeme: f:y=f(x)
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
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
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
VíceBakalářská matematika I
1. Funkce Diferenciální počet Mgr. Jaroslav Drobek, Ph. D. Katedra matematiky a deskriptivní geometrie Bakalářská matematika I Některé užitečné pojmy Kartézský součin podrobnosti Definice 1.1 Nechť A,
VíceBodové a intervalové odhady parametrů v regresním modelu
Bodové a intervalové odhady parametrů v regresním modelu 1 Odhady parametrů 11 Bodové odhady Mějme lineární regresní model (LRM) kde Y = y 1 y 2 y n, e = e 1 e 2 e n Y = Xβ + e, x 11 x 1k, X =, β = x n1
VíceFunkce a základní pojmy popisující jejich chování
a základní pojmy ující jejich chování Pro zobrazení z reálných čísel do reálných čísel se používá termín reálná funkce reálné proměnné. 511 f bude v této části znamenat zobrazení nějaké neprázdné podmnožiny
VíceSTATISTIKA I Metodický list č. 1 Název tématického celku:
STATISTIKA I Metodický list č. 1 Analýza závislostí Základním cílem tohoto tématického celku je seznámit se s pokročilejšími metodami zpracování statistických údajů.. 1. kontingenční tabulky 2. regresní
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
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
VíceGONIOMETRIE A TRIGONOMETRIE
GONIOMETRIE A TRIGONOMETRIE Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu. století - využití ICT ve vyučování matematiky na gymnáziu
VícePRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.
PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
Více8 Matice a determinanty
M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou
VíceQuantization of acoustic low level signals. David Bursík, Miroslav Lukeš
KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.
VíceGoniometrické a hyperbolické funkce
Kapitola 5 Goniometrické a hyperbolické funkce V této kapitole budou uvedeny základní poznatky týkající se goniometrických funkcí - sinus, kosinus, tangens, kotangens a hyperbolických funkcí - sinus hyperbolický,
VíceCvičení 9 dekompozice časových řad a ARMA procesy
Cvičení 9 dekompozice časových řad a ARMA procesy Příklad 1: Dekompozice časové řady Soubor 18AEK-cv09.xls obsahuje dvě časové řady (X a Y) se 72 pozorováními. Použijte časovou řadu Y. a) Pokuste se na
VícePetr Hasil. Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF)
Neurčitý integrál Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného základu
VíceGoniometrie a trigonometrie
Goniometrie a trigonometrie Vzorce pro goniometrické funkce Nyní si řekneme něco o velmi důležitých vlastnostech a odvodíme si také některé velmi důležité vzorce pro výpočty s goniometrickými funkcemi.
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VícePříklad 1. Řešení 1a Máme vyšetřit lichost či sudost funkce ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 3
Příklad 1 Zjistěte, zda jsou dané funkce sudé nebo liché, případně ani sudé ani liché: a) =ln b) = c) = d) =4 +1 e) =sin cos f) =sin3+ cos+ Poznámka Všechny tyto úlohy řešíme tak, že argument funkce nahradíme
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
VíceTeorie. Hinty. kunck6am
kytaristka@gmail.com www.natur.cuni.cz/ kunck6am 5. cvičení Teorie Definice. Necht funkce f je definována na neprázdném otevřeném intervalu I. Řekneme, že funkce F je primitivní funkce k f na I, jestliže
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VícePřijímací zkouška na MFF UK v Praze
Přijímací zkouška na MFF UK v Praze pro bakalářské studijní programy fyzika, informatika a matematika 017, varianta A U každé z deseti úloh je nabízeno pět odpovědí: a, b, c, d, e. Vaším úkolem je u každé
VíceMatematika 1 pro PEF PaE
Reálné funkce 1 / 21 Matematika 1 pro PEF PaE 1. Reálné funkce Přemysl Jedlička Katedra matematiky, TF ČZU funkce Reálné funkce Základní pojmy 2 / 21 Zobrazení z množiny A do množiny B je množina f uspořádaných
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Vícenásobná regresní a korelační analýza 1 1 Tto materiál bl vtvořen za pomoci grantu FRVŠ číslo 1145/2004. O vícenásobné závislosti mluvíme tehd, jestliže je závisle proměnná závislá na více nezávislých
VíceInternetová matematická olympiáda listopadu 2008
Internetová matematická olympiáda - 5. listopadu 008 ŘEŠENÍ ÚLOH 1. Obrazec na Obrázku 1 je složen z 44 čtverců o straně 6 mm. Bodem A veďte jedinou přímku, která daný obrazec rozdělí na dva obrazce o
VíceStatistika (KMI/PSTAT)
Statistika (KMI/PSTAT) Cvičení dvanácté aneb Regrese a korelace Statistika (KMI/PSTAT) 1 / 18 V souboru 25 jedinců jsme měřili jejich výšku a hmotnost. Výsledky jsou v tabulce a grafu. Statistika (KMI/PSTAT)
VíceParametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =
Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.
VíceCyklometrické funkce
4 Cyklometrické funkce V minulé kapitole jsme zkoumali první funkci inverzní ke funkci goniometrické (tyto funkce se nazývají cyklometrické) funkci y = arcsin x (inverzní k funkci y = sin x ) Př: Nakresli
VíceB. MECHANICKÉ KMITÁNÍ A VLNĚNÍ
B. MECHANICKÉ KMITÁNÍ A VLNĚNÍ I. MECHANICKÉ KMITÁNÍ 8.1 Kmitavý pohyb a) mechanické kmitání (kmitavý pohyb) pohyb, při kterém kmitající těleso zůstává stále v okolí určitého bodu tzv. rovnovážné polohy
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Více