Časová zátěž Na prostudování této kapitoly a splnění úkolů s ní spojených budete potřebovat asi 8 hodin studia.

Rozměr: px
Začít zobrazení ze stránky:

Download "Časová zátěž Na prostudování této kapitoly a splnění úkolů s ní spojených budete potřebovat asi 8 hodin studia."

Transkript

1 Kapiola 0.: Úvod do aalýzy časových řad Cíl kapioly Po prosudováí éo kapioly budee umě - očisi časovou řadu od důsledků kaledářích variací - graficky zázori okamžikovou i iervalovou časovou řadu - vypočía popisé a dyamické charakerisiky časové řady - odhadou red časové řady meodami regresí aalýzy a pomocí klouzavých průměrů Časová záěž Na prosudováí éo kapioly a splěí úkolů s í spojeých budee pořebova asi 8 hodi sudia. 0.. Moivace Při aalýze časových řad chceme získa předsavu o charakeru procesu, kerý ao řada reprezeuje. Průběh časové řady graficky zázorňujeme pomocí spojicového resp. sloupkového diagramu. K jejímu popisu používáme růzé charakerisiky, a o jak saické ak dyamické. K modelováí časových řad slouží celá řada meod, apř. dekompozičí meoda, Boxova Jekisoova meodologie, lieárí dyamické modely, spekrálí aalýza časových řad. Zde se omezíme a speciálí případ dekompozičí meody, kdy pomocí regresí aalýzy a pomocí klouzavých průměrů odhademe red časové řady. 0.. Základí pojmy 0... Pojem časové řady Časovou řadou rozumíme řadu hodo y,, y určiého ukazaele uspořádaou podle přirozeé časové poslouposi <... <. Jsou-li časové iervaly (, ),..., ( -, ) sejě dlouhé (ekvidisaí), zjedodušeě zapisujeme časovou řadu jako y,..., y. Přiom ukazael je veličia, kerá charakerizuje ějaký sociálě ekoomický jev v určiém prosoru a v určiém čase (okamžiku či iervalu) Druhy časových řad a) Časová řada okamžiková: příslušý ukazael udává, kolik jevů exisuje v daém časovém okamžiku (apř. poče obyvaelsva k určiému du). b) Časová řada iervalová: příslušý ukazael udává, kolik jevů vziklo či zaiklo v určiém časovém iervalu (apř. poče sňaků během roku). Nejsou-li jedolivé časové iervaly ekvidisaí, musíme provés očišěí časové řady od důsledků kaledářích variací Příklad: Máme k dispozici údaje o ržbě obchodí orgaizace (v is. Kč) v jedolivých měsících roku 995: 400, 34, 407, 445, 894, 3354, 355, 355, 35, 3063, 694, 600. Vypočěe očišěé údaje. Řešeí: Průměrá délka měsíce je 365/ de. Očišěá hodoa pro lede je edy 365 y ( o) , , pro úor y ( o) 34 38, 8 8. Pro osaí měsíce

2 aalogicky dosaeme 36,7; 478,96; 839,54; 3400,58, 3448,86; 3448,86; 369,79; 3005,36; 73,4; 55,08. Výpoče pomocí sysému STATISTICA: Vyvoříme ový daový soubor o řech proměých: rzba, dm (délky jedolivých měsíců) a o (očišěá ržba) a případech. Do proměé rzba zapíšeme zjišěé hodoy. Do proměé dm vložíme délky jedolivých měsíců, j. 3, 8, 30,, 3. Do Dlouhého jméa proměé o apíšeme =rzba*365/(*dm) rzba dm 3 o , , , , , , , , , , , , Grafické zázorěí časové řady a) Okamžikovou časovou řadu graficky zázorňujeme pomocí spojicového diagramu. Na vodorovou osu vyášíme časové okamžiky,...,, a svislou osu odpovídající hodoy y,..., y. Dvojice bodů ( i, y i ), i =,..., spojíme úsečkami Příklad Časová řada obsahuje údaje o poču zaměsaců určié akciové společosi v leech vždy k Zázorěe uo časovou řadu graficky. Řešeí pomocí sysému STATISTICA: Vyvoříme daový soubor o dvou proměých azvaých rok a poce a 8 případech. Grafy Bodové grafy odškreme Lieárí proložeí Proměé X rok, Y poče OK OK. x klikeme a pozadí grafu vybereme Graf: obecé zaškreme Spojice OK.

3 poce rok b) Iervalovou časovou řadu ejčasěji zázorňujeme sloupkovým diagramem. Je o sousava obdélíků, kde šířka obdélíku je rova délce iervalu a výška odpovídá hodoě ukazaele v daém iervalu. Ke zázorěí iervalové časové řady lze použí i spojicový diagram, přičemž a vodorovou osu vyášíme sředy příslušých iervalů Příklad Máme k dispozici údaje o produkci určiého podiku (v isících výrobků) v leech Zázorěe uo časovou řadu graficky Řešeí pomocí sysému STATISTICA: Vyvoříme daový soubor o dvou proměých azvaých rok a produkce a 6 případech. Grafy Bodové grafy odškreme Lieárí proložeí Proměé X rok, Y produkce OK OK. x klikeme a pozadí grafu vybereme Graf: obecé zaškreme Spojice Přida ový graf yp Sloupcový graf OK. Do sloupců ozačeých jako Nový, Nový okopírujeme hodoy proměých rok a produkce. Ve Všech možosech: Sloupce upravíme šířku sloupce a produkce rok

4 0.3. Popisé charakerisiky časových řad Průměr okamžikové časové řady Nejprve vypočeme průměry pro jedolivé dílčí iervaly (, ), (, 3 ),..., ( -, ): y y y y3 y y,,,. Jsou-li všechy yo iervaly sejě dlouhé, vypočeme prosý chroologický průměr okamžikové časové řady: yi yi y y y yi. i i Nemají-li iervaly sejou délku, vypočeme d i = i i-, i =,..., a použijeme vážeý chroologický průměr okamžikové časové řady: yi yi y d i. i d i i Příklad Časová řada vyjadřuje poče obyvaelsva ČR (v isících) v leech 989 až 008 vždy ke di 3.. rok poče obyvael rok poče obyvael , , , , , , , , , , , , , , , , , , , ,54 Charakerizuje uo časovou řadu chroologickým průměrem. 036,0 0467,54 Řešeí: y 0364,4 038,3 095, 3. 9 Výpoče pomocí sysému STATISTICA: Vyvoříme daový soubor o proměých a jedom případu. Do prvích 0 proměých vložíme zjišěé hodoy, do Dlouhého jméa posledí proměé apíšeme =(v/+sum(v:v9)+v0/)/9 Dosaeme výsledek 0 95, Průměr iervalové časové řady Průměr iervalové časové řady počíáme podle vzorce y y i. i

5 Příklad Vypočěe průměrou hodou ročí časové řady HDP ČR (v miliardách Kč) v leech 995 až ,5 683,3 8, 996,5 080,8 89, 35, 464,4 577, 84,8 983,9 3,4 3535, Řešeí: y 466, , 5. 4 Výpoče pomocí sysému STATISTICA: Použijeme Popisé saisiky z abídky Základí saisiky/abulky Dyamické charakerisiky časových řad Absoluí přírůsky. diferece: yi yi yi,i,,. diferece: yi yi yi yi yi yi,i 3,, ad. (Diferecováí má velký výzam při odhadu redu časové řady regresími meodami.) Průměrý absoluí přírůsek: i y i y y Relaiví přírůsek yi i,i,, yi (Relaiví přírůsek po vyásobeí 00 udává, o kolik proce se změila hodoa v čase i oproi času i-.) Koeficie růsu (empo růsu) yi k i,i,, yi (Koeficie růsu po vyásobeí 00 udává, a kolik proce hodoy v čase i- vzrosla či poklesla hodoa v čase i.) Průměrý koeficie růsu y k k k3 k y Průměrý relaiví přírůsek k Příklad Pro časovou řadu HDP ČR v leech 995 až 008 (v miliardách Kč) vypočěe základí charakerisiky dyamiky a graficky zázorěe relaiví přírůsky a koeficiey růsu.

6 rok HDP 466,5 683,3 8, 996,5 080,8 89, 35, 464,4 577, 84,8 983,9 3,4 3535, Výpoče pomocí sysému STATISTICA: Vyvoříme ový daový soubor o proměých a 4 případech. Prví proměou azveme ROK, druhou HDP. Výpoče. diferecí: yi yi yi pro i =,..., Saisiky Pokročilé lieárí/elieárí modely Časové řady/predikce Proměé HDP OK OK (rasformace, auokorelace, kříž. korelace, grafy) Odděli-slouči - OK (rasformova vybraé řady) vykreslí se graf. 350 Graf proměé: HDP D(-) HDP Čísla případů Vráíme se do Trasformace proměých Uloži proměé. Oevře se ové daové oko, kde v proměé HDP_ jsou uložey. diferece. HDP HDP_ 466,5 683,3 6,8 3 8, 7, ,5 85, ,8 84,3 6 89, 08,4 7 35, 63, ,4, 9 577,,7 0 84,8 37,7 983,9 69, 3,4 38, ,5 33, ,0 53,5 yi Výpoče relaivích přírůsků: i pro i =,..., y i

7 Vráíme se do Trasformace proměých ozačíme proměou, kerou chceme rasformova (HDP) vybereme Posu OK, (Trasformova vybraé řady) vykreslí se graf. Vráíme se do Trasformace proměých Uloži proměé. Tao rasformovaá veličia se uloží do abulky pod ázvem HDP_ (proměá s. diferecemi se přejmeuje a HDP_). Přidáme ovou proměou RP a do jejího Dlouhého jméa apíšeme vzorec =HDP_/HDP_. yi Výpoče koeficieů růsu: k i pro i =,..., yi Do abulky přidáme proměou KR a do jejího Dlouhého jméa apíšeme vzorec =HDP/HDP_. Získáme abulku HDP HDP_ HDP_ RP KR 466,5 683,36,8 466,5 0,478, ,7,8 683,3 0,0759, ,585,4 8, 0,04, ,884,3 996,5 0,04, ,08,4 080,8 0,05, ,63,0 89, 0,0745, ,4, 35, 0,0477, ,,7 464,4 0,0457, ,837,7 577, 0,09,09 983,969, 84,8 0,060,060 3,438,5 983,9 0,0799, ,533, 3,4 0,097, ,053,5 3535,5 0,0434, , ,5 Průměrý absoluí přírůsek: 70, 96, z., že v období rosl 3 HDP průměrě o 70,96 miliard Kč ročě Průměrý koeficie růsu: k 3, 0735, z., že v období rosl HDP 466,5 průměrě o 7,35 % ročě. Pomocí Grafy - D Grafy Spojicové grafy (Proměé) vykreslíme průběh relaivích přírůsků a koeficieů růsu.

8 Graf relaivích přírůsků 0,6 Graf koeficieů růsu,6 0,4,4 0,, 0,0,0 RP KR 0,08,08 0,06,06 0,04,04 0, , Adiiví model časové řady Popis modelu Předpokládejme, že pro časovou řadu y,..., y plaí model y = f() + ε, =,...,, kde f() je ezámá redová fukce (red), kerou považujeme za sysemaickou (deermiisickou) složku časové řady (popisuje hlaví edeci dlouhodobého vývoje časové řady), ε je áhodá složka časové řady zahrující odchylky od redu. Náhodá složka splňuje předpoklady E(ε ) = 0, D(ε ) = σ, C(ε, ε +h ) = 0, ε ~ N(0, σ ) (říkáme, že ε je bílý šum) Cíl regresí aalýzy redu Regresí aalýza redu má objasi vzah mezi závisle proměou veličiou Y a časem. Předpokládáme, že red f() závisí (lieárě či elieárě) a ezámých paramerech β 0, β,..., β k a zámých fukcích φ 0 (), φ (),..., φ k (), keré již eobsahují žádé ezámé paramery, j. f() = g(;β 0, β,..., β k ). Odhady b 0, b,..., b k ezámých paramerů β 0, β,..., β k lze získa apř. meodou ejmeších čverců a pak vyjádři odhad f () ezámého redu v bodě pomocí odhadů b 0, b,..., b k a fukcí φ 0 (), φ (),..., φ k (), j. f () = g(;b 0, b,..., b k ) Nejdůležiější ypy redových fukcí Volba ypu redové fukce se provádí - a základě eoreických zalosí a zkušeosí se zkoumaou veličiou Y - pomocí grafu časové řady - pomocí iformaivích esů založeých a jedoduchých charakerisikách časové řady a) Lieárí red Aalyické vyjádřeí: f () 0 Iformaiví es:. diferece jsou přibližě kosaí.

9 b) Kvadraický red Aalyické vyjádřeí: f () 0 Iformaiví es:. diferece mají přibližě lieárí red,. diferece jsou přibližě kosaí. c) Expoeciálí red Aalyické vyjádřeí: f () 0. Model lze liearizova logarimickou rasformací: l f () l 0 l Iformaiví es: koeficiey růsu jsou přibližě kosaí. d) Modifikovaý expoeciálí red Aalyické vyjádřeí: f () 0. Iformaiví es: řada podílů sousedích. diferecí je přibližě kosaí. e) Logisický red Aalyické vyjádřeí: f () 0 Iformaiví es: průběh. diferecí je podobý Gaussově křivce a podíly jsou přibližě kosaí. y y y y f) Gomperzova křivka Aalyické vyjádřeí: f () Iformaiví es: podíly l y l y 0 l y l y jsou přibližě kosaí. Modely (a), (b), (c) jsou lieárí ebo se dají liearizova a odhady paramerů získáme meodou ejmeších čverců. Modely (d), (e), (f) jsou elieárí a odhady paramerů se získávají speciálími umerickými meodami Orieačí ověřováí kvaliy modelu - Idex deermiace (j. podíl vysvěleé a celkové variabiliy závisle proměé veličiy) by měl bý blízký. - Body grafu y,fˆ, =,,..., by se měly řadi do přímky se směricí. - Při srováí ěkolika modelů se sejým počem paramerů volíme e model, pro kerý je sředí kvadraická chyba odhadu ( MSE y fˆ ) ejižší Příklad Uvažme časovou řadu HDP ČR v leech 995 až 008 (v miliardách Kč) viz př a) Graficky zázorěe průběh éo časové řady. b) Z grafu časové řady lze usoudi, že časová řada má lieárí red f() 0. Odhaděe jeho paramery a akreslee průběh redu do grafu časové řady. c) Zjisěe odhad HDP v roce 009.

10 d) Vypočěe idex deermiace a sesroje graf,fˆ y, =,..., 4. Řešeí pomocí sysému STATISTICA: Vyvoříme daový soubor se řemi proměými rok,, HDP a 4 případy. Do proměé uložíme hodoy,, 4. ad a) Graficky zázoríme průběh éo časové řady: Grafy Bodové grafy Proměé rok, HDP OK vypeme proložeí OK. HDP ad b) Odhademe paramery lieárího redu. Saisika Vícerozměrá regrese Proměé závislé: HDP, ezávislé: OK OK. Oevře se ové oko Výsledky víceásobá regrese. Na záložce Základí výsledky zvolíme Výpoče: výsledky regrese a získáme abulku, kde ve sloupci B jsou odhady regresích paramerů. rok N=4 Abs.č le Odhad redu: fˆ Výsledky regrese se závislou proměou : HDP (HDP_CR.sa) R=, R=,98455 Upraveé R=, F(,)=64,44 p<,00000 Směrod. chyba odhadu : 97,936 b* Sm.chyba b Sm.chyba () p-hod. z b* z b 73,565 55,8670 3, , , , ,55 6, , , ,565 6,55. Podle ohoo modelu by edy HDP v roce 994 čiil 73, 565 mil. Kč (realia byla 55, 986) a v každém dalším roce by vzrosl o 6, 55 mil. Kč. Vyvořeí grafu časové řady s odhaduým redem: Na záložce Uloži zvolíme Uloži rezidua a předpovědi. K im do abulky uložíme ješě proměé rok a HDP a pomocí víceásobého bodového grafu vyvoříme požadovaý graf.

11 rok HDP Předpovědi ad c) Odhad HDP roce 009: Pro výpoče predikovaé hodoy zvolíme Rezidua/předpoklady/předpovědi - Předpovědi závisle proměé čas: 5 - OK. Ve výsupí abulce je hledaá hodoa ozačea jako Předpověď: 3 707,39. Proměá Abs. čle Předpověď -95,0%LS +95,0%LS Předpovězeé hodoy (HDP_CR.sa) proměé: HDP b-váha Hodoa b-váha * Hodo 6,55 5, ,87 73, , , ,85 ad d) Idex deermiace je ID = 0,98, jak je uvedeo v záhlaví výsupí abulky regresí aalýzy. Zameá o, že lieárí red vysvěluje variabiliu HDP z 98,%. Graf závislosi predikovaých hodo a hodoách časové řady vyvoříme ak, že uložíme předpovězeé hodoy. Pak pomocí Bodového grafu vykreslíme závislos predikce a Y. 3,8E6 3,6E6 3,4E6 3,E6 3E6,8E6,6E6,4E6,E6 E6,8E6,6E6,4E6,E6,E6,4E6 Jak idex deermiace, ak graf daé časové řady.,6e6 E6,4E6,8E6 3,E6 3,6E6,8E6,E6,6E6 3E6 3,4E6 3,8E6 y,fˆ svědčí o om, že model dobře vysihuje charaker

12 0.6. Odhad redu časové řady pomocí klouzavých průměrů Podsaa klouzavých průměrů Předpokládáme, že časová řada se řídí adiivím modelem y = f() + ε, =,...,. Odhad redu v bodě získáme určiým zprůměrováím původích pozorováí z jisého okolí uvažovaého časového okamžiku. Můžeme si předsavi, že podél daé časové řady klouže okéko, v jehož rámci se průměruje. Nechť oo okéko zahruje d čleů alevo od bodu a d čleů apravo od bodu. Hovoříme pak o vyhlazovacím okéku šířky h = d +. Prvích a posledích d hodo redu eodhadujeme, proože pro,,d d,, eí vyhlazovací okéko symerické. Odhad redu ve sředu vyhlazovacího okéka je dá vzahem: d fˆ () yd yd yd ydk, = d+,..., -d. d d Šířka vyhlazovacího okéka Velmi důležiou oázkou je saoveí šířky vyhlazovacího okéka. Je-li okéko příliš široké, bude se odhad redu blíži přímce (říkáme, že je přehlaze) a zároveň se zraí velký poče čleů a začáku a a koci časové řady. Je-li aopak okéko úzké, bude se odhad redu blíži původím hodoám (říkáme, že odhad je podhlaze). Nejčasěji se volí šířka okéka h = 3, 5, 7, pro časovou řadu čvrleích hodo Příklad Máme k dispozici čvrleí časovou řadu průměrých měsíčích mezd v České republice v době od /00 do 3/009: k0 čas mzda čas mzda čas mzda / / / / / / /00 54 / / / / / / / / / / / / / / / / / / / / / / / / a) Odhaděe red éo časové řady pomocí klouzavých průměrů s vyhlazovacím okékem šířky 4. b) Graficky zázorěe průběh časové řady s odhaduým redem. Řešeí pomocí sysému STATISTICA: Vyvoříme daový soubor cvrlei_mzda.sa o dvou proměých CAS a MZDA a 3 případech. Saisiky Pokročilé lieárí/elieárí modely Časové řady/predikce Proměé Y OK OK (rasformace, auokorelace, kříž. korelace, grafy) Vyhlazováí zaškreme N-

13 bod. klouzavý průměr, N = 4 OK (Trasformova vybraé řady) vykreslí se graf, vráíme se do Trasformace proměých Uloži proměé. Oevře se ová daová abulka, kde v proměé MZDA_ jsou uložey klouzavé průměry pro N = 4. K daovému souboru přidáme proměou CAS, kerou okopírujeme z původího daového souboru cvrl e i_mzda.sa 3 CAS MZDA MZDA_ / ,0 0 / ,0 0 3/00 54, ,6 3 4/ , ,0 0 / , ,5 0 / , ,7 5 3/003 65, ,8 8 4/ , ,8 8 /004 67, ,5 0 / , ,8 8 3/ , ,7 5 4/ ,0 084,5 0 / , ,6 3 / ,0 089, 3 3/ ,0 09 8,8 8 4/ , , 3 / , , 3 / , ,8 8 3/ , ,7 5 4/ , ,0 0 / ,0 0 33,0 0 / , , 3 3/ , ,0 0 4/ , ,5 0 / , ,7 5 / , , 5 3/ , , 3 4/ , ,0 0 / , ,0 0 / ,0 0 3/ ,00 Pro zobrazeí proměých MZDA a MZDA_ do jedoho grafu přejdeme a záložku Přehledy a grafy. Vedle možosi Zobrazi víc proměých zvolíme Graf. Ozačíme obě proměé OK. Vykreslí se ásledující graf:

14 Value MZDA MZDA; rs. Vidíme, že díky vhodé volbě šířky vyhlazovacího okéka se podařilo odhadou red daé časové řady. Shruí Časovou řadou rozumíme řadu číselých hodo určiého ukazaele, kerý se v čase měí. Rozlišujeme časové řady okamžikové (příslušý ukazael udává, kolik jevů exisuje v daém časovém okamžiku) a časové řady iervalové (příslušý ukazael udává, kolik jevů vziklo či zaiklo v určiém časovém iervalu). Nejsou-li jedolivé časové iervaly sejě dlouhé, musíme provés očišěí časové řady od důsledků kaledářích variací. Okamžikové časové řady zázorňujeme pomocí spojicového diagramu, iervalové pak pomocí sloupkového diagramu. Okamžikovou časovou řadu charakerizujeme chroologickým průměrem, iervalovou arimeickým průměrem. K popisu časových řad používáme aké dyamické charakerisiky: absoluí a relaiví přírůsky a koeficiey růsu. K ejdůležiějším úkolům aalýzy časových řad paří odhad redu, j. deermiisické složky časové řady, kerá vysihuje popisuje hlaví edeci dlouhodobého vývoje časové řady. Odhad redu lze provádě apř. meodami regresí aalýzy ebo pomocí klouzavých průměrů. Regresí odhad redu vyžaduje, aby vývoj časové řady odpovídal ějaké fukci. Její paramery pak odhadujeme meodou ejmeších čverců (o v případě lieárích či lierizovaelých modelů) ebo vhodou umerickou meodou (apř. Levebergovou Marquardovou). Naproi omu meoda klouzavých průměrů, kerá paří k zv. adapivím meodám, je založea a předpokladu, že časová řada měí v čase svůj charaker, udíž red elze popsa pomocí jedié fukce. Předpokládáme však, že v krákých úsecích svůj charaker zachovává a edy každému úseku lze jedu fukci přiřadi. V případě výše popsaých klouzavých průměrů jde o kosaí fukci. Korolí oázky. Jak se liší časová řada okamžiková od iervalové?. Kdy se používá prosý a kdy vážeý chroologický průměr? 3. Jak je defiováa druhá absoluí diferece? 4. Uveďe vzorec pro výpoče průměrého koeficieu růsu.

15 5. Má-li časová řada kvadraický red, jak se chovají její prví diferece? 6. Co o zameá, když áhodá složka časové řady je bílým šumem? 7. Popiše pricip meody klouzavých průměrů. Auokorekčí es. Jaké číslo paří v ásledující abulce míso oazíku? y k 0,975? a) 0,89 b),094 c),. Jaké číslo paří v ásledující abulce míso oazíku? y 5 3 δ xxx? a) 0,9 b) 0,80 c) 0,78 3. Jaký je průměrý absoluí přírůsek za celou dobu sledováí? y a),05 b) 3,048 c) 3,00 4. Pokud mají. diferece časové řady přibližě lieárí red, pak vhodým modelem redové fukce časové řady je a) Gomperzova křivka b) parabola c) expoeciála 5. Sředí kvadraickou chybu odhadu redu elze počía podle vzorce: a) MSE y fˆ b) MSE y fˆ c) MSE y fˆ y fˆ Správé odpovědi: c), b), 3c), 4b) 5c) Příklady. V jedolivých čvrleích roku 006 se v ČR uskuečilo 4 896, 6 545, a 805 sňaků. Vypočěe očišěé údaje.

16 Výsledek: 4 964; 6 590,45; 3 77,5; 7985,37. V ásledující abulce jsou uvedey údaje o poču ezaměsaých (v isících) v ČR v leech Vypočěe chroologický průměr. Výsledek: 363,7 rok poče 48,3 374, 399, 45,9 40, 37,3 44,5 3,9 3. Pro časovou řadu z le spořeby cigare a jedoho obyvaele ČR za rok graficky zázorěe průběh koeficieů růsu a vypočěe a ierpreuje průměrý relaiví přírůsek. Výsledek: Graf koeficieů růsu rok poče rok poče ,5,0,5,0,05 KR,00 0,95 0,90 0,85 0,80 0, Průměrý relaiví přírůsek: 0,056, z., že v leech rosla spořeba cigare a jedoho obyvaele za rok v průměru o,56 %.

17 4. Časová řada, 49, 38, 354, 580, 867 udává zisk (v isících dolarů) jisé společosi v prvích šesi leech její exisece. a) Z grafu časové řady a chováí koeficieů růsu lze usoudi, že časová řada má expoeciálí red f () 0. Odhaděe jeho paramery. b) Najděe odhad zisku společosi v 7. a 8. roce její exisece. e) Vypočěe idex deermiace. Výsledek: ad a) Model f () 0 liearizujeme a model l f() l0 l a meodou ejmeších čverců získáme odhady l b 0, l b. Odlogarimováím dosaeme b 0 = 68,57875, b =,565. ad b) Odhad zisku společosi v 7. roce exisece: 99,035 isíc dolarů, v 8. roce : 977,476 isíc dolarů. ad c) Idex deermiace je 0, Časová řada 5, 9,, 35, 0, 07, 87, 04, 74, 7, 0, 7 udává ročí objemy vývozu piva (v milióech lirů) z Českosloveska v leech 980 až 99. Odhaděe red éo časové řady pomocí klouzavých průměrů s vyhlazovacím okékem šířky 5 Výsledek: rok kp5 8,6 7 0, ,8 88,8 87,6 04,6

Úvod do analýzy časových řad

Úvod do analýzy časových řad Úvod do aalýzy časových řad Obsah Úvod... Teoreické základy pro aalýzu časových řad.... Základí pojmy..... Druhy časových řad..... Grafická aalýza.....3 Popisé charakerisiky... 4. Základí úpravy časových

Více

Úvod do analýzy časových řad

Úvod do analýzy časových řad Úvod do aalýz časových řad Doc.Ig. Jaa Hačlová, CSc. Kaedra maemaických meod v ekoomice Ig. Lubor Tvrdý Kaedra regioálí ekoomik Ekoomická fakula, VŠB-TU Osrava Osrava, 003 - - Úvod do aalýz časových řad

Více

Časové řady elementární charakteristiky

Časové řady elementární charakteristiky Časové řad elemeárí charakerisik Elemeárí charakerisik vývoje časové řad Příklad: Časová řada ročích produkcí elekrické eergie v Jihomoravském kraji bazický Výroba elekři.. empo růsu empo přírůsku idex

Více

FINANČNÍ MATEMATIKA- SLOŽENÉ ÚROKOVÁNÍ

FINANČNÍ MATEMATIKA- SLOŽENÉ ÚROKOVÁNÍ Projek ŠABLONY NA GVM Gymázium Velké Meziříčí regisračí číslo projeku: CZ..7/../.98 IV- Iovace a zkvaliěí výuky směřující k rozvoji maemaické gramoosi žáků sředích škol FINANČNÍ MATEMATIA- SLOŽENÉ ÚROOVÁNÍ

Více

FINANČNÍ MATEMATIKA- JEDNODUCHÉ ÚROKOVÁNÍ

FINANČNÍ MATEMATIKA- JEDNODUCHÉ ÚROKOVÁNÍ Projek ŠABLONY NA GVM Gymázium Velké Meziříčí regisračí číslo projeku: CZ..7/.5./34.948 IV-2 Iovace a zkvaliěí výuky směřující k rozvoji maemaické gramoosi žáků sředích škol FINANČNÍ MATEMATIA- JEDNODCHÉ

Více

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

i 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

Více

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Cvičení 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

Více

1.6. Srovnání empirických a teoretických parametrů (4.-5.předn.)

1.6. Srovnání empirických a teoretických parametrů (4.-5.předn.) .6. rováí empirických a eoreických paramerů (4.-5.před.) Cíle: - pravděpodobosí zkoumáí výběrového saisického souboru: kvaifikace eoreických paramerů, srováí eoreických a empirických paramerů (Probable

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

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

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Cvičení 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

Více

OBJEKTOVÁ ALGEBRA. Zdeněk Pezlar. Ústav Informatiky, Provozně-ekonomická fakulta MZLU, Brno, ČR. Abstrakt

OBJEKTOVÁ ALGEBRA. Zdeněk Pezlar. Ústav Informatiky, Provozně-ekonomická fakulta MZLU, Brno, ČR. Abstrakt OBEKTOVÁ ALGEBRA Zdeěk Pezlar Úsav Iformaiky, Provozě-ekoomická fakula MZLU, Bro, ČR Absrak V objekovém modelu da defiujeme objekové schéma (řídu) jako čveřici skládající se ze jméa řídy, aribuů, domé

Více

T t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka

T t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka Analýza časových řad Klasický přísup k analýze ČŘ dekompozice časové řady - rozklad ČŘ na složky charakerizující různé druhy pohybů v ČŘ, keré umíme popsa a kvanifikova rend periodické kolísání cyklické

Více

Řešení soustav lineárních rovnic

Řešení soustav lineárních rovnic Řešeí sousv lieáríc rovic Sousv lieáríc rovic Sousvou m lieáríc rovic o ezámýc rozumíme sousvu : Kde ij i R M m m Čísl ij zýváme koeficiey sousvy čísl i soluí čley Uvedeou sousvu udeme zči Sm m M m Homogeí

Více

Seznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat.

Seznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat. 4 Inegrace subsiucí 4 Inegrace subsiucí Průvodce sudiem Inegrály, keré nelze řeši pomocí základních vzorců, lze velmi časo řeši subsiuční meodou Vzorce pro derivace elemenárních funkcí a věy o derivaci

Více

7 ANALÝZA ČASOVÝCH ŘAD TRENDOVÁ SLOŽKA

7 ANALÝZA ČASOVÝCH ŘAD TRENDOVÁ SLOŽKA Elea Mielcová Radmila Soklasová a Jaroslav Ramík; Saisické program 7 ANALÝZA ČASOVÝCH ŘAD TRENDOVÁ SLOŽKA RYCHLÝ NÁHLED KAPITOLY Aalýza časových řad umožňuje maemaickým modelem popsa jev a základě časově

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů některých rozdělení. 4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:

Více

Modelování časových řad akciových výnosů #

Modelování časových řad akciových výnosů # Aca Oecoomica Pragesia, roč. 5, č., 2007 Modelováí časových řad akciových výosů # Jiří Trešl Dagmar Blaá * Cílem předložeého příspěvku je ukáza možosi použií růzých modelů vhodých pro aalýzu časových řad

Více

Odezva na obecnou periodickou budící funkci. Iva Petríková Katedra mechaniky, pružnosti a pevnosti

Odezva na obecnou periodickou budící funkci. Iva Petríková Katedra mechaniky, pružnosti a pevnosti Odezva a obecou periodickou budící fukci Iva Períková Kaedra mechaiky, pružosi a pevosi Obsah Fourierovy řady Odezva a polyharmoickou fukci Odezva a obecou periodickou fukci Odezva a jedokový skok Příklad

Více

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

Investiční činnost. Existují různá pojetí investiční činnosti: Z pohledu ekonomické teorie. Podnikové pojetí investic

Investiční činnost. Existují různá pojetí investiční činnosti: Z pohledu ekonomické teorie. Podnikové pojetí investic Ivesičí čios Exisují růzá pojeí ivesičí čiosi: Z pohledu ekoomické eorie Podikové pojeí ivesic Klasifikace ivesic v podiku 1) Hmoé (věcé, fyzické, kapiálové) ivesice 2) Nehmoé (emaeriálí) ivesice 3) Fiačí

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

Náhodný výběr 1. Náhodný výběr

Náhodný výběr 1. Náhodný výběr Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti

Více

Volba vhodného modelu trendu

Volba vhodného modelu trendu 8. Splinové funkce Trend mění v čase svůj charaker Nelze jej v sledovaném období popsa jedinou maemaickou křivkou aplikace echniky zv. splinových funkcí: o Řadu rozdělíme na několik úseků o V každém úseku

Více

Využijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.

Využijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je. Pravděpodobnos a saisika 0. ČASOVÉ ŘADY Průvodce sudiem Využijeme znalosí z předchozích kapiol, především z 9. kapioly, kerá pojednávala o regresní analýze, a rozšíříme je. Předpokládané znalosi Pojmy

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1

( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Základní ransformace časových řad Veškeré násroje základní korelační analýzy, kam paří i lineární regresní (ekonomerické) modely

Více

Pro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).

Pro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.). STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,

Více

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Tržní 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

Více

PŘÍKLAD INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU

PŘÍKLAD INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU PŘÍKLAD INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU Ze serveru www.czso.cz jsme sledovali sklizeň obilovin v ČR. Sklizeň z několika posledních le jsme vložili do abulky 7.1. a) Jaké plodiny paří mezi obiloviny?

Více

f(x) f(x 0 ) = a lim x x0 f f(x 0 + h) f(x 0 ) (x 0 ) = lim f(x + h) f(x) (x) = lim

f(x) f(x 0 ) = a lim x x0 f f(x 0 + h) f(x 0 ) (x 0 ) = lim f(x + h) f(x) (x) = lim KAPITOLA 4: 4 Úvod Derivace fkce [MA-8:P4] Moivačí příklady: okamžiá ryclos, směrice ečy Defiice: Řekeme, že fkce f má v bodě derivaci [ derivaci zleva derivaci zprava ] rov čísl a, jesliže exisje [ x

Více

Závislost slovních znaků

Závislost 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

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 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,

Více

Část IV. Analýza časových řad. Ing. Michal Dorda, Ph.D.

Část IV. Analýza časových řad. Ing. Michal Dorda, Ph.D. Čás IV. Aalýza časových řad Ig. Michal Dorda, Ph.D. Časovou řadou rozuíe posloupos věcě a prosorově srovaelých pozorováí (da), kerá jsou jedozačě uspořádáa z hlediska času ve sěru iulos příoos. Časovou

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

A. Rozdělení ČŘ podle časového hlediska rozhodného pro zjišťování údajů

A. Rozdělení ČŘ podle časového hlediska rozhodného pro zjišťování údajů ČASOVÉ ŘADY - oslouosi věcě a rosorově srovaelých ozorováí, kerá jsou jedozačě usořádáa z hlediska času - ČŘ ekoomických ukazaelů vkazují určié secifické rs, akže je řeba zá adekváí osu, vhodé k jejich

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost 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

Více

Přijímací zkouška na navazující magisterské studium 2016

Přijímací zkouška na navazující magisterské studium 2016 Přijímací zkouška a avazující magiserské sudium 2016 Sudijí program: Sudijí obor: Maemaika Fiačí a pojisá maemaika Variaa A Řešeí příkladů pečlivě odůvoděe. Věuje pozoros ověřeí předpokladů použiých maemaických

Více

Geometrické modelování. Diferenciáln

Geometrické modelování. Diferenciáln Geomerické modelováí Difereciál lí geomerie křivekk Křivky v očía ačové grafice Geomerická ierreace Každý krok algorimu má svůj geomerický výzam Flexibilia korola ad růběhem křivky, možos iuiiví ediace

Více

4. 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 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

Více

3. POJIŠTĚNÍ OSOB (ŽIVOTNÍ POJIŠTĚNÍ)

3. POJIŠTĚNÍ OSOB (ŽIVOTNÍ POJIŠTĚNÍ) 3. POJIŠTĚÍ OSOB (ŽIVOTÍ POJIŠTĚÍ) 3.. EMOELOVÝ PŘÍSTUP 3... ekremeí řád vymíráí populace Úmrosí abulky a) Smr je áhodým jevem, kerý se pojišťuje pro účely ŽP sačí pracova s průměrými hodoami záko velkých

Více

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

STATISTIKA. 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,

Více

Příklady časových řad a jejich použití. Z2069 Statistické metody a zpracování dat II Analýza časových řad vývoj cen akcií objem obchodování na burze

Příklady časových řad a jejich použití. Z2069 Statistické metody a zpracování dat II Analýza časových řad vývoj cen akcií objem obchodování na burze Přílad časových řad a jejich použií hp://www.cru.uea.ac.u/cru/ifo/warmig/ 3 Objem obchodu (iervalová řada Kurz acie (oamžiová řada 5 Z69 Saisicé meod a zpracováí da II Aalýza časových řad vývoj ce acií

Více

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 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

Více

Sekvenční logické obvody(lso)

Sekvenční 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

Více

Analýza stavebního spoření, jako metody zhodnocení volných prostředků

Analýza stavebního spoření, jako metody zhodnocení volných prostředků Medelova zemědělsk{ a lesick{ uiverzia v Brě Provozě ekoomick{ fakula Úsav saisik a operačího výzkumu Aalýza savebího spořeí, jako meod zhodoceí volých prosředků Bakal{řsk{ pr{ce Vedoucí pr{ce Ig. V{clav

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady 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

Více

8. Analýza rozptylu.

8. Analýza rozptylu. 8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,

Více

Úvod do analýzy časových řad

Úvod do analýzy časových řad VŠB TU OSTRAVA, FEI, KATEDRA APLIKOVANÉ MATEMATIKY Úvod do lýz čsových řd [Zdeje podiul dokueu.] Mri Lischová Popis čsových řd Čsová řd je uerická proěá, jejíž hodo podsě závisí čse, v ěž bl získá (posloupos

Více

Lineární a adaptivní zpracování dat. 8. Modely časových řad I.

Lineární 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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr

Více

8.2.1 Aritmetická posloupnost

8.2.1 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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Teováí hypoéz PRAVDĚPODOBNOST A STATISTIKA SP Teováí hypoéz Teováí hypoéz Nechť je áhodá proměá, kerá má diribučí fukci Fx, ϑ. Předpokládejme, že záme var diribučí fukce víme jaké má rozděleí a ezáme

Více

Demografické projekce počtu žáků mateřských a základních škol pro malé územní celky

Demografické projekce počtu žáků mateřských a základních škol pro malé územní celky Demografické projekce poču žáků maeřských a základních škol pro malé územní celky Tomáš Fiala, Jika Langhamrová Kaedra demografie Fakula informaiky a saisiky Vysoká škola ekonomická v Praze Pořebná daa

Více

Vývoj cen vybraných zemědělských komodit v ČR

Vývoj cen vybraných zemědělských komodit v ČR MENDELOVA ZEMĚDĚLSKÁ A LESNICKÁ UNIVERZITA V BRNĚ Provozě ekoomická fakula Úsav saisik a operačího výzkumu Vývoj ce vbraých zemědělských komodi v ČR Diplomová práce Vedoucí práce: prof. Ig. Mila Palá,

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady 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

Více

8.2.1 Aritmetická posloupnost I

8.2.1 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

Více

U klasifikace podle minimální vzdálenosti je nutno zvolit:

U klasifikace podle minimální vzdálenosti je nutno zvolit: .3. Klasifikace podle miimálí vzdáleosti Tato podkapitola je věováa popisu podstaty klasifikace podle miimálí vzdáleosti, jež úzce souvisí s klasifikací pomocí etaloů klasifikačích tříd. Představíme si

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

Více

Pravděpodobnostní model doby setrvání ministra školství ve funkci

Pravděpodobnostní model doby setrvání ministra školství ve funkci Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí

Více

Analýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p

Analýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p Analýza časových řad Informační a komunikační echnologie ve zdravonicví Definice Řada je posloupnos hodno Časová řada chronologicky uspořádaná posloupnos hodno určiého saisického ukazaele formálně je realizací

Více

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti.

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti. Vyováváí dat Naše pozoováí jsou dáa tabulkou čísel, kde y y y i často bývají časové údaje, a my chceme data položit ějakou hladkou fukcí, kteá by vystihovala hlaví vlastosti dat, ale igoovala malé fluktuace

Více

=, kde P(x) a Q(x) jsou polynomy. Rozklad na parciální zlomky Parciální zlomky jsou speciální racionální lomené funkce. Rozlišujeme 2 typy:

=, kde P(x) a Q(x) jsou polynomy. Rozklad na parciální zlomky Parciální zlomky jsou speciální racionální lomené funkce. Rozlišujeme 2 typy: 3 předáš INTEGRAE RAIONÁLNÍ LOMENÉ FUNKE Důležiou supiu fucí, eré můžeme (spoň eoreicy) iegrov v možiě elemeárích fucí, voří rcioálí lomeé fuce Kždou rcioálí lomeou fuci vru P( ) f ( ) =, de P() Q() jsou

Více

Metody odhadu poptávky a nabídky v podmínkách nerovnovážného modelu

Metody odhadu poptávky a nabídky v podmínkách nerovnovážného modelu 4. eziárodí koferece Řízeí a odelováí fiačích rizik Osrava VŠB-TU Osrava, Ekooická fakula, kaedra Fiací.-. září 8 Meody odhadu popávky a abídky v podíkách erovovážého odelu Pavla Vodová Absrak Cíle ohoo

Více

x udává hodnotu směrnice tečny grafu

x udává hodnotu směrnice tečny grafu Předmě: Ročník: Vyvořil: Daum: MATEMATIKA ČTVRTÝ Mgr. Tomáš MAŇÁK 5. srpna Název zpracovaného celku: GEOMETRICKÝ VÝZNAM DERIVACE FUNKCE GEOMETRICKÝ VÝZNAM DERIVACE FUNKCE v bodě (ečny grafu funkcí) Je

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

Více

7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU

7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU Indexy základní, řeězové a empo přírůsku Aleš Drobník srana 1 7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU V kapiole Indexy při časovém srovnání jsme si řekli: Časové srovnání vzniká, srovnáme-li jednu

Více

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti 8 Aritmetická posloupost, posloupost rostoucí a klesající Poslouposti Posloupost je fukci s defiičím oborem celých kladých čísel - apř.,,,,,... 3 4 5 Jako fukci můžeme také posloupost zobrazit do grafu:

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK Základy ekonomerie Heeroskedasicia Cvičení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = 0 náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný

Více

EKONOMETRIE 6. přednáška Modely národního důchodu

EKONOMETRIE 6. přednáška Modely národního důchodu EKONOMETRIE 6. přednáška Modely národního důchodu Makroekonomické modely se zabývají modelováním a analýzou vzahů mezi agregáními ekonomickými veličinami jako je důchod, spořeba, invesice, vládní výdaje,

Více

Studie proveditelnosti (Osnova)

Studie proveditelnosti (Osnova) Sudie provedielnosi (Osnova) 1 Idenifikační údaje žadaele o podporu 1.1 Obchodní jméno Sídlo IČ/DIČ 1.2 Konakní osoba 1.3 Definice a popis projeku (max. 100 slov) 1.4 Sručná charakerisika předkladaele

Více

DIMENZOVÁNÍ KOMPOZITNÍCH PROFILŮ PREFEN

DIMENZOVÁNÍ KOMPOZITNÍCH PROFILŮ PREFEN DIMNZOVÁNÍ KOMPOZITNÍCH PROFILŮ PRFN 1 Kulkova 10/4231, 615 00 Bro el.: 541 583 208, 297, fa.: 549 254 556 e-mail: kompozi@prefa.cz hp://www.prefa-kompozi.cz DIMNZOVÁNÍ PROFILŮ Maeriálová srukura, základí

Více

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

EKONOMETRIE 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

Více

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

Více

P2: Statistické zpracování dat

P2: 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

Více

Přednáška 7, 14. listopadu 2014

Přednáška 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.

Více

Kapitola 5 - Matice (nad tělesem)

Kapitola 5 - Matice (nad tělesem) Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic

Více

2. Náhodná veličina. je konečná nebo spočetná množina;

2. 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

Více

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. 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

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD 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

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy 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

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ 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

Více

Jednoduchá lineární regrese

Jednoduchá lineární regrese Jedoduchá leárí regrese Motvace: Cíl regresí aalýz - popsat závslost hodot velč Y a hodotách velč X. Nutost vřešeí dvou problémů: a) jaký tp fukce se použje k popsu daé závslost; b) jak se staoví kokrétí

Více

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

Při 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

Více

Ekonomika podniku. Katedra ekonomiky, manažerství a humanitních věd Fakulta elektrotechnická ČVUT v Praze. Ing. Kučerková Blanka, 2011

Ekonomika podniku. Katedra ekonomiky, manažerství a humanitních věd Fakulta elektrotechnická ČVUT v Praze. Ing. Kučerková Blanka, 2011 Evropský socálí fod Praha & EU: Ivesujee do vaší budoucos Ekooka podku aedra ekooky, aažersví a huaích věd Fakula elekroechcká ČVUT v Praze Ig. učerková Blaka, 20 Úrokový poče, základy fačí aeaky (BI-EP)

Více

Číselné charakteristiky náhodných veličin

Číselné charakteristiky náhodných veličin Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí

Více

8. Odhady parametrů rozdělení pravděpodobnosti

8. Odhady parametrů rozdělení pravděpodobnosti Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z

Více

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ 3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie

Více

Okruhy z učiva středoškolské matematiky pro přípravu ke studiu na Fakultě bezpečnostního inženýrství VŠB TU Ostrava

Okruhy z učiva středoškolské matematiky pro přípravu ke studiu na Fakultě bezpečnostního inženýrství VŠB TU Ostrava Okruhy z učiv sředoškolské memiky pro příprvu ke sudiu Fkulě ezpečosího ižeýrsví VŠB TU Osrv I Úprvy lgerických výrzů, zlomky, rozkld kvdrického rojčleu, mociy se záporým epoeem, mociy s rcioálím epoeem,

Více

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

Mezní 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

Více

} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy

} 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,

Více

K čemu slouží regrese?

K čemu slouží regrese? REGRESE K čemu slouží regrese? C = Ca + c. Y C = 00 + 0,6. Y + e Budeme zjišťovat jak jeda proměá (ezávislá) Ovlivňuje jiou proměou (závislou) C Y 950 1000 910 150 1130 1500 1150 1750 1475 000 1550 50

Více

Analýza a zpracování signálů. 4. Diskrétní systémy,výpočet impulsní odezvy, konvoluce, korelace

Analýza a zpracování signálů. 4. Diskrétní systémy,výpočet impulsní odezvy, konvoluce, korelace Aalýza a zpracováí sigálů 4. Diskrétí systémy,výpočet impulsí odezvy, kovoluce, korelace Diskrétí systémy Diskrétí sytém - zpracovává časově diskrétí vstupí sigál ] a produkuje časově diskrétí výstupí

Více

2 y(t) y(t) -6 t. -6 t

2 y(t) y(t) -6 t. -6 t Teorie sigálů poskyuje společý eoreický základ pro řadu růzých oborů: elekomuikačí echika radioechika akusika seismologie biomedicícké ižeýrsví eergeika chemické echologie elekroické zpracováí řeči, hudby

Více