Bc. Barbora Šimková. Odhady parametrů rozdělení náhodných veličin
|
|
- Oldřich Matoušek
- před 7 lety
- Počet zobrazení:
Transkript
1 Uiverzita Karlova v Praze Pedagogická fakulta BAKALÁŘSKÁ PRÁCE Bc. Barbora Šimková Odhady parametrů rozděleí áhodých veliči Katedra matematiky a didaktiky matematiky Vedoucí bakalářské práce: Studijí program: Studijí obor: RNDr. Fratišek Moša, Dr. Specializace v pedagogice Matematika se zaměřeím a vzděláváí a techická a iformačí výchova se zaměřeím a vzděláváí Praha 203
2 Na tomto místě bych ráda poděkovala RNDr. Fratišku Mošovi, Dr., vedoucímu mé bakalářské práce. Především za odboré vedeí, věovaý čas a ceé rady. Děkuji také svým rodičům, kteří mě vždy podporovali ve studiu.
3 Prohlašuji, že jsem tuto bakalářskou práci vypracovala samostatě a výhradě s použitím citovaých prameů, literatury a dalších odborých zdrojů. Beru a vědomí, že se a moji práci vztahují práva a poviosti vyplývající ze zákoa č. 2/2000 Sb., autorského zákoa v platém zěí, zejméa skutečost, že Uiverzita Karlova v Praze má právo a uzavřeí licečí smlouvy o užití této práce jako školího díla podle 60 odst. autorského zákoa. V Praze de Bc. Barbora Šimková
4 Název práce: Odhady parametrů rozděleí áhodých veliči Autor: Bc. Barbora Šimková Katedra: Katedra matematiky a didaktiky matematiky Vedoucí bakalářské práce: RNDr. Fratišek Moša, Dr. Abstrakt: Předmětem této bakalářské práce je porováí základích metod, kterými je možé spočítat bodové odhady spojitých a diskrétích pravděpodobostích rozděleí. Práce se zabývá rozborem dvou metod, jedá se o mometovou metodu a metodu maximálí věrohodosti. Tyto metody se používají pro odhad bodových parametrů pravděpodobostích rozděleí. Mometovou metodou rozumíme porováí teoretických a výběrových mometů áhodé veličiy. Metodu maximálí věrohodosti bereme jako další alterativu při výpočtech bodových odhadů, která využívá klasický postup hledáí maxima fukce s využitím vlastostí áhodého výběru. Způsoby výpočtů vychází ze statistických metod a mohly by být vhodé pro rozšířeí výuky základího kurzu pravděpodobosti a statistiky a PedF UK. Práce je přehledem odhadů parametrů základích distribucí a srováí kvality dvou základích metod pro jejich určeí. Klíčová slova: odhady parametrů, rozděleí áhodé veličiy, metoda maximálí věrohodosti, mometová metoda Title: Parameter estimatio of radom variables distributio Author: Bc. Barbora Šimková Departmet: Departmet of Mathematics ad Mathematical Educatio Supervisor: RNDr. Fratišek Moša, Dr. Abstract: The subject of this thesis is to compare basic methods by which it is possible to calculate poit estimates of discrete ad cotiuous probability distributios. The work deals with the aalysis of the two methods - the method of momets ad maximum likelihood method. These methods are used for poit estimates of probability distributios parameters. The method of momets studies the compariso betwee the theoretical ad sample momets of a radom variable. The method of maximum likelihood is aother alterative for the calculatio of poit estimates, which uses the classical approach of fidig the maximum of a fuctio, usig the properties of radom selectio. These methods of calculatio are based o statistical methods ad could be useful for extedig the basic course o probability ad statistics at Charles Uiversity s Faculty of Educatio. The work is a overview of the estimated parameters of the basic distributio ad compares the quality of two basic methods for their estimatio. Keywords: parameter estimatio, distributio of radom variables, maximum likelihood method, method of momets
5 Obsah Úvod 3 Základí pojmy 5 2 Metody bodového odhadu v parametrických modelech 2. Bodové odhady parametrů Metody hledáí bodových odhadů Mometová metoda Metoda maximálí věrohodosti Bodové odhady pro růzá spojitá rozděleí 5 3. Normálí rozděleí Mometová metoda Metoda maximálí věrohodosti Vlastosti odhadů Gama rozděleí Mometová metoda Metoda maximálí věrohodosti Logaritmicko-ormálí rozděleí Expoeciálí rozděleí Mometová metoda Metoda maximálí věrohodosti Vlastosti odhadů Rovoměré rozděleí Mometová metoda Metoda maximálí věrohodosti Vlastosti odhadů Bodové odhady pro růzá diskrétí rozděleí Geometrické rozděleí Mometová metoda Metoda maximálí věrohodosti Vlastosti odhadů Poissoovo rozděleí Mometová metoda Metoda maximálí věrohodosti Vlastosti odhadů Biomické rozděleí Mometová metoda Metoda maximálí věrohodosti Vlastosti odhadů Přehled bododových odhadů 34 Závěr 37
6 Sezam použité literatury 38 2
7 Úvod V současém světě se setkáváme se statistikou, jejími důsledky a aplikacemi prakticky každý de. Ať už při studiu, v zaměstáí, při čteí deího tisku, při výběru hypotéky ebo při vybíráí dovoleé. Statistika ám pomáhá pochopit vztahy ás obklopující apříč vědími obory. Nejčastěji je spojováa s matematikou, fyzikou, iformatikou a ekoomií. Neméě ji využívají i humaití obory jako je psychologie a sociologie. Statistika je aprosto epostradatelou součástí aší společosti a bude tomu tak i v budoucu. Úkolem této bakalářské práce je pro účely výuky základího kurzu pravděpodobosti a statistiky a PedF UK podrobě zpracovat a a datech replikovat statistické odhady a jejich vlastosti pro určitá pravděpodobostí rozděleí s využitím statistických metod. Metody použité v této práci se aplikují pro odhadováí parametrů áhodých veliči a vektorů v široké škále reálých statistických, ekoomických, geografických, pojišťovických a dalších problémů. Prví kapitola popisuje základí pojmy z pravděpodobosti rozděleí jako áhodé veličiy, základí druhy pravděpodobostích rozděleí a podroběji defiuje ta rozděleí, které budou používáa v dalších kapitolách, pomocí jejich hustoty ebo pravděpodobostí fukce i s jejich základími momety. Klíčovými pojmy matematické statistiky jsou áhodý výběr, parametrický model, bodový odhad parametru a jeho vlastosti, které jsou ve statistické části této kapitoly. Defiice pojmů jsme čerpali hlavě z [] a [7]. Ve druhé kapitole této práce se zaměříme a teoretické odvozeí výpočtů bodových odhadů metodami, které jsou používaé pro odhadováí bodových parametrů v parametrických modelech. K odhadu parametrů budeme používat metodu maximálí věrohodosti maximum-likelihood estimatio a metodu mometů method of momets. Pro obě tyto metody sepíšeme předpoklady pro jejich použití a podrobý postup výpočtu. Vysvětlíme zde výběrové a teoretické momety áhodých veliči, věrohodostí fukci a způsob alezeí maximálě věrohodého odhadu. Po vysvětleí teoretické a popisé stráky daé oblasti se budeme ve třetí kapitole věovat výpočtu odhadů bodových parametrů áhodého výběru spojitých pravděpodobostích rozděleí. Dále je zde uvede postup ověřeí základích vlastostí jedotlivých odhadů a jejich ásledé srováí. Ve výpočtech požadovaých odhadů jsme uvažovali pouze áhodé výběry o rozsahu, jejichž áhodé veličiy mají spojité rozděleí ormálí, gamma a logaritmickoormálí rozděleí. Čtvrtá kapitola bude věovaá diskrétím pravděpodobostím rozděleím, přesěji geometrickému rozděleí, Poissoovu rozděleí a biomickému rozděleí. Pro tyto rozděleí odhademe jejich parametry metodou mometů a metodou maximálí věrohodosti a ověříme vlastosti těchto odhadů. 3
8 V páté kapitole uvedeme přehled všech odhadů parametrů včetě jejich vlastostí, které jsme v bakalářské práci spočítali. 4
9 . Základí pojmy V této kapitole uvedeme ěkteré pojmy z pravděpodobosti a statistiky, které budeme používat v dalších částech práce. Vysvětlíme si zde, co je áhodá veličia, jak se popisuje její rozděleí, uvedeme ěkteré druhy pravděpodobostích rozděleí, a to jak spojitých, tak i diskrétích áhodých veliči a k im jejich dva hlaví momety. Ze statistiky si defiujeme pojmy áhodý výběr, parametrický model, výběrový prostor, bodový odhad, vlastosti bodového odhadu a další. Předpokládáme, že čteář je již sezáme se základími pojmy z matematické aalýzy, pravděpodobosti a matematické statistiky. Vycházíme přitom ze zdrojů: [], [2], [4], [6] a [7]. Náhodá veličia Nechť je dá pravděpodobostí prostor Ω, A, P. Měřitelé zobrazeí X : Ω, A X, B, kde X je ějaká možia a B ějaká σ-algebra a X, azveme áhodou veličiou. Možiu X azýváme výběrový prostor [4]. Rozděleí áhodé veličiy Rozděleím áhodé veličiy X : Ω, A X, B rozumíme idukovaou pravděpodobostí míru P X a X, B defiovaou vztahem P X B = P {ω Ω : X ω B}, B B. Pravděpodobostí prostor Ω, A, P se pro daou áhodou veličiu trasformuje a pravděpodobostí prostor X, B, P X [4]. Hustota Nechť X : Ω, A X, B je áhodá veličia, echť µ je σ-koečá míra a X a echť P X je absolutě spojitá vzhledem k µ. Pak existuje reálá měřitelá ezáporá fukce f X x taková, že pro každou měřitelou fukci h : X, B R, B 0 platí h x dp X x = h x f X x dµ x. X X Fukce f X x je určea jedozačě µ-skoro všude [4]. Tato věta se ěkdy azývá Rado-Nikodymova věta a fukce f X z předchozí věty se azývá hustotou áhodé veličiy X vzhledem k míře µ a dále ji v textu budeme začit f x. Distribučí fukce Fukci F X : R R defiovaou vztahem F X x = P [X x] azýváme distribučí fukcí áhodé veličiy X. Distribučí fukce F X jedozačě charakterizuje rozděleí X viz [4]. 5
10 Druhy áhodých veliči Náhodé veličiy dělíme a růzé druhy. V matematické statistice mají ejdůležitější uplatěí ásledující dva typy rozděleí. Pokud P X je absolutě spojitá vzhledem k Lebesgueově míře λ, tak X je spojitá áhodá veličia, je-li P X je absolutě spojitá vzhledem k čítací míře µ S, kde S je ejvýše spočetá možia v R, tak áhodá veličia X je diskrétí áhodá veličia více v literatuře [4]. U spojité áhodé veličiy platí F X x = f X t d t. Pro diskrétí áhod- P [X = t] v [4]. é veličiy s hodotami v S máme F X x = Momety áhodé veličiy x t S,t x Středí hodotou EX reálé áhodé veličiy X rozumíme reálé číslo daé výrazem EX = X ω dp X ω, Ω pokud itegrál a pravé straě existuje [4]. V práci budeme středí hodotu začit µ ebo EX. Rozptyl VarX áhodé veličiy X je její druhý cetrálí momet. Je defiová ásledujícím vzorcem VarX = E X EX 2 [4] a budeme ho začit podle potřeby σ 2 ebo VarX. Pravděpodobostí rozděleí V práci se zaměřujeme pouze a áhodé veličiy se spojitým ebo diskrétím rozděleím spojité ebo diskrétí áhodé veličiy a yí si ěkteré defiujeme pomocí jejich hustot, či pravděpodobostích fukcí. Předpokládáme, že P X je absolutě spojitá vzhledem k Lebesgueově míře λ u spojitých áhodých veliči a absolutě spojitá vzhledem k čítací míře µ S u diskrétích áhodých veliči. Spojitá rozděleí Nyí si zadefiujeme ěkterá spojitá rozděleí se kterými budeme později pracovat. Defiice spojitých rozděleí jsme čerpali z []. Expoeciálí rozděleí Nechť λ > 0 je parametr. Expoeciálí rozděleí, které začíme Exλ má hustotu fx = [ λ exp x ], x > 0. λ Má středí hodotu µ = λ a rozptyl σ 2 = λ 2. Expoeciálí fukci v textu začíme buď exp [x] ebo e x. 6
11 Spojité rovoměré rozděleí Nechť µ h, h + µ je koečý edegerovaý iterval. Rovoměré rozděleí Rµ h, h + µ má hustotu a platí pro ěj µ = µ, σ 2 = h2 3. Gama rozděleí fx =, pro µ h < x < µ + h, 2h Nechť a > 0, p > 0. Gama rozděleí Gaa, p má hustotu fx = ap Γ p e ax x p, x > 0 a platí, že středí hodota je µ = p a a rozptyl σ2 = p a 2. Normálí rozděleí Nechť µ R, σ 2 > 0 jsou daé kostaty parametry. Normálí rozděleí je určeo hustotou [ ] fx = x µ2 exp 2πσ 2σ 2 a ozačuje se symbolem Nµ, σ 2 a platí, že středí hodota je µ, a rozptyl σ 2. Logaritmicko-ormálí rozděleí Nechť µ R a σ 2 > 0 jsou daé parametry. Hustota logaritmicko-ormálího rozděleí LNµ, σ 2 je defiováa ] l x µ2 f X x = exp [, pro x > 0. 2πσx 2σ 2 Dále platí, že středí hodota je µ σ2 µ+ = e 2 a rozptyl σ 2 = Diskrétí rozděleí Geometrické rozděleí e σ2 e 2µ+σ2. Geometrické rozděleí Gep má áhodá veličia X, která je dáa jako počet pokusů, které musíme provést, aby astal áhodý jev A, kde P A = p, 0 < p <. Náhodá veličia X mající geometrické rozděleí má pravděpodobostí fukci p, která je defiováa vztahem P X = k = p p k, k N. Pro základí číselé charakteristiky platí, že středí hodota je µ = a rozptyl p σ 2 = viz literatura []. p p 7
12 Poissoovo rozděleí Předpokládejme, že veličia X abývá pouze hodot 0,,..., a to s pravděpodobostmi P X = x = λx x! exp λ, x = 0,,..., kde λ > 0 je daé číslo. Pak říkáme, že X má Poissoovo rozděleí Poλ s parametrem λ. Platí, že středí hodota je µ = λ a rozptyl σ 2 = λ viz [7]. Biomické rozděleí Biomické rozděleí Bim, p má pravděpodobostí fukci m P X = x = p k p m x, x = 0,,..., m x a středí hodota je µ = mp a rozptyl σ 2 = mp p defiice je z [7]. Náhodý výběr Posloupost X, X 2,..., X ezávislých stejě rozděleých áhodých veliči s distribučí fukcí F 0 se azývá áhodý výběr z rozděleí F 0 [4]. Výběr pořizujeme proto, abychom se dozvěděli více o souboru dat, se kterými budeme pracovat. Budeme se soustředit a situaci, kdy budeme zát rozděleí souboru až a jede ebo více parametrů apř. víme, že máme áhodě rozděleé áhodé veličiy, ale ezáme jejich středí hodotu případě i rozptyl. Model a parametr Distribučí fukci F 0 ezáme. Chceme použít pozorováí X,..., X k tomu, abychom se o í ěco potřebého dozvěděli. O distribučí fukci F 0 však předpokládáme, že patří do ějaké možiy rozděleí F, které říkáme model pro data X,..., X. To, co se chceme o rozděleí F 0 dozvědět, azýváme parametr. Vždy se jedá o ějakou kostatu, kterou bychom uměli zjistit, kdybychom zali F 0. Obecě tedy parametr budeme zapisovat θ 0 t F 0, kde t je ějaký fukcioál. Obvykle je θ 0 R k pro k více o modelech v literatuře [4]. Parametrický model Možia F je možia všech rozděleí s hustotami tvaru f x; θ ebo pravděpodobostími fukcemi p x; θ pro θ Θ R k, kde f ; resp. p ; je zámá fukce a θ je ezámá kostata apř. všecha expoeciálí, ormálí, geometrická rozděleí. Tyto modely azýváme parametrické. Parametry, které chceme odhadovat, jsou fukce složek θ. Defiice je z [4], kde je parametrický model uvádě pouze pro rozděleí s hustotami. 8
13 Bodový odhad a jeho vlastosti Máme data X, X 2..., X, model F a parametr θ = t F pro F F, který chceme v daém modelu odhadout. Ozačme X = X,..., X T všecha data sestaveá do jedoho vektoru. Nechť F 0 F je skutečé rozděleí áhodé veličiy X i a θ 0 t F 0 je skutečá hodota hledaého parametru. Odhadem paremetru θ 0 t F 0 R k rozumíme libovolou měřitelou fukci dat θ T X T X,..., X z [4]. Jiými slovy ám tato defiice říká, že pro každou ovou realizaci výběru obdržíme jiý bodový odhad. Bodový odhad ebývá početě áročý a obvykle ho používáme v případě, je-li rozsah výběrového souboru vzhledem k rozsahu základího souboru dostatečě velký. Vlastosti bodového odhadu θ vypovídají o vhodosti použité statistiky k odhadu hodoty parametru θ. Dobrý bodový odhad musí splňovat určité vlastosti: estraost evychýleost, ezklesleost, kozisteci, vydatost eficiece a dostatečost. Nestraost Odhad θ T X azveme estraým odhadem ubiased estimator parametru θ 0, právě když E θ = θ 0 pro každé viz [4]. Jiak řečeo, bodový odhad parametru θ je estraý, jestliže jeho středí hodota se rová tomuto parametru. Nestraost říká, že odhad je v průměru rozumíme přes všechy možé výběry přesý. Slabší formou estraosti je asymptotická estraost. Řekeme, že odhad je asymptoticky estraý, pokud lim E θ = θ 0. Kozistece Odhad θ T X azveme kozistetím odhadem cosistet estimator parametru θ 0, právě když θ P θ 0 pro každé [4]. Začkou P chápeme kovergeci v pravděpodobosti k áhodé veličiě, která je defiováa ásledově: X P X pro lim [ X X > ε] = 0 pro ε > 0. Defiice kozistece ám říká, že odhad je kozistetí, pokud se s rostoucím rozsahem výběru zpřesňuje. Kozistece je asymptotická vlastost, která ic eříká o kvalitě odhadu při koečém. Postačující podmíky pro ověřeí kozistece dhadu θ defiujme ásledově. Nechť E θ 2 < pro každé přirozeé. Platí-li θ je estraý odhad ebo alespoň asymptoticky estaý odhad parametru θ a lim Var θ = 0. Pak θ je kozistetím odhadem parametru θ. Důkaz tohoto tvrzeí je uvede v []. 9
14 Vydatost Vydatý odhad efficiet estimator je takový odhad θ, který má ejmeší rozptyl ze všech estraých odhadů θ i parametru θ, tedy Var θ Var θ i, kde i =,..., l, kde l je počet estraých odhadů parametru θ viz literatura [2]. Dostatečost Odhad je dostatečý, pokud obsahuje veškerou iformaci o sledovaém parametru, kterou výběrový soubor poskytuje [2]. 0
15 2. Metody bodového odhadu v parametrických modelech 2. Bodové odhady parametrů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám áhodého výběru. Formulujeme tudíž úlohu, ve které hledáme odhady ezámých parametrů rozděleí. Předpokládáme, že je dá áhodý výběr X,..., X z rozděleí s hustotou f x, θ ebo pravděpodobostí fukcí p x, θ, kde θ = θ,..., θ m T jsou parametry rozděleí. Na základě hodot áhodého výběru odhadujeme parametry rozděleí. Odhad provádíme pomocí vhodě zvoleé fukce áhodého výběru. O takové úloze mluvíme jako o bodovém odhadu parametrů. 2.2 Metody hledáí bodových odhadů Pro kostrukci bodových odhadů se ejčastěji používají dvě metody, a to metoda maximálí věrohodosti maximum likelihood method a mometová metoda method of momets, jiak azývaá metoda mometů. U obou metod předpokládáme, že áhodé veličiy jsou spojité ebo diskrétí a budeme uvažovat parametrický model, kde máme áhodý výběr X = X,..., X z rozděleí s hustotou f x; θ či pravděpodobostí fukcí p x, θ, kde tvar fukce f ; ebo p ; je zámý a θ je ezámý vektorový parametr, jež leží v parametrickém prostoru Θ R m, m. Pro spojité áhodé veličiy pracujeme tedy s modelem F = {rozděleí s hustotou f x; θ, θ Θ R m }, pro diskrétí áhodé veličiy s modelem F = {rozděleí s pravděpodobostí fukcí p x; θ, θ Θ R m }. Při defiici modelu jsme vycházeli z [4] Mometová metoda Metoda je založea a porováí výběrových mometů s odpovídajícími teoretickými momety předpokládaého rozděleí pravděpodobosti. Využíváme faktu, že máme k dispozici kozistetí odhady mometů, což jsou výběrové momety, a že momety rozděleí X i obvykle umíme vyjádřit jako fukce ezámých parametrů [4].
16 Metologie Mějme áhodý výběr X = X,..., X o rozsahu z rozděleí ze třídy hustot {f x; θ : θ Θ R m }, či třídy pravděpodobostích fukcí {p x; θ : θ Θ R m } a hledáme odhad parametru θ = θ,..., θ m T Θ R m. Pro odhad jedorozměrého parametru stačí předpokládat, že existuje prvích m teoretických počátečích mometů, které jsou pro spojitou áhodou proměou defiováy µ k = E X k, k =,..., m. Počátečí momet prvího řádu µ je rove středí hodotě rozděleí EX. Pokud odhadujeme parametry porováím cetrálích mometů, musíme přidat další předpoklad a to existeci prvích m teoretických cetrálích mometů. Cetrálí momet k-tého řádu je defiová µ k = E X EX k, k =,..., m. Teoretický cetrálí momet druhého řádu je rove rozptylu rozděleí VarX. Je zřejmé, že momety jsou fukcemi θ, píšeme proto µ k = µ k θ a µ k = µ k θ. Pro porováí s teoretickými momety potřebujeme výběrové momety. Ozačme M k k-tý počátečí výběrový momet M k = X i k, k =,..., m. Prví počátečí výběrový momet M = X i = X azýváme výběrový průměr ěkdy též aritmetický průměr. Výběrový cetrálí momet M k k-tého řádu je defiová M k = Xi X k, k =,..., m. Druhý výběrový cetrálí momet M 2 = Xi X k je ozačová jako empirický rozptyl. Mometovou metodou chceme odhadout parametr θ = θ,..., θ m T tak, že budeme řešit soustavu rovic M k = µ k θ,..., θ m, k =,..., m, M k = µ k θ,..., θ m, k =,..., m. 2. Řešeím soustavy θ,..., θ k T azveme mometový odhad parametru θ, zřejmě θ i = θ i M,..., M m, i =,..., m. K odhadu je třeba získat tolik rovic, kolik odhadujeme ezámých parametrů rozděleí. Nestačí-li m rovic k jedozačému řešeí soustavy 2., přidáme další rovice pro k = m +, m + 2,... Výhodou mometové metody je její jedoduchost. Nevýhodou je často ízká eficiece velký rozptyl výsledých odhadů. Tyto odhady se ěkdy používají apř. jako počátečí aproximace pro jié odhadovací metody. 2
17 2.2.2 Metoda maximálí věrohodosti Metoda maximálí věrohodosti je obecá metoda pro kostrukci bodových odhadů parametrů. Používáme ji pro odhad parametrů, které určují rozděleí, apř. středí hodota a rozptyl ormálího rozděleí, pravděpodobost astoupeí jevu alterativího rozděleí apod. Pricip metody maximálí věrohodosti spočívá v tom, že za odhad ezámého parametru vezmeme tu jeho hodotu, ve které tzv. věrohodostí fukce abývá svého maxima viz literatura [6]. Vzorce pro metodu maximálí věrohodosti a postup výpočtu jsem čerpala z [4] a [7]. Metologie Předpokládejme, že áhodý výběr byl poříze z rozděleí, které je charakterizováo hustotou f x; θ ebo pravděpodobostí fukcí p x; θ. Sdružeá hustota áhodého výběru X = X,..., X je vzhledem k předpokládaé ezávislosti dáa předpisem f x, x 2,..., x ; θ = f x; θ = f x i ; θ a sdružeá pravděpodobostí fukce je p x, x 2,..., x ; θ = p x; θ = p x i ; θ, eboť složky áhodého výběru jsou ezávislé áhodé veličiy. Pokud vyšetřujeme sdružeou hustotu f x; θ jako fukci θ pro pevé x, azýváme ji věrohodostí fukcí a začíme ji symbolem L θ, tedy L θ = f X i ; θ. Aalogicky v případě disktétího rozděleí áhodého výběru charakterizovaého sdružeou pravděpodobostí fukcí p x; θ, defiujeme věrohodostí fukci jako L θ = p X i ; θ. Zpravidla je techicky výhodější a při praktických výpočtech se místo věrohodostí fukce pracuje s přirozeým logaritmem věrohodostí fukce. Logaritmická věrohodostí fukce je l θ = l L θ = l f X i ; θ, l θ = l L θ = l p X i ; θ, 3
18 přičemž tam, kde je f x = 0 ebo p x = 0, defiujeme l θ =. Věrohodostí fukce ebo logaritmická věrohodostí fukce je fukcí ezámého parametru θ, proto je yí aším úkolem ajít θ tak, aby se maximalizovala hodota věrohodostí fukce. Vyjádřeo vzorcem dostáváme θ = arg max L θ = arg max l θ. θ Θ θ Θ Teto odhad azýváme maximálě věrohodý odhad parametru θ maximum likelihood estimator. Tedy maximálě věrohodý odhad θ parametru θ je takový bod z Θ, který maximalizuje přes všechy θ Θ 0 sdružeou hustotu či sdružeou pravděpodobostí fukci spočítaou v pozorovaých hodotách X,..., X. Fukci l θ s proměou θ se sažíme maximalizovat, a proto ji budeme derivovat podle θ. Tyto výrazy upravíme a položímě rovy ule a řešíme vziklé rovice. Obecě tedy řešíme soustavu rovic, která je pro spojité áhodé veličiy aalogicky pro diskrétí áhodé veličiy θ l f X i ; θ = 0 θ l p X i ; θ = 0. Soustava se derivuje podle jedotlivých složek θ, protože θ = θ,, θ m T. Řešeí této soustavy se obvykle hledá umericky. Řešeí však emusí existovat a e každé řešeí je maximálě věrohodý odhad. 4
19 3. Bodové odhady pro růzá spojitá rozděleí V této části bakalářské práce se zaměříme a ěkterá spojitá pravděpodobostí rozděleí a odhademe jejich parametry. Nejprve mometovou metodou a ásledě metodou maximálí věhodosti, pokud tak lze učiit. Metody si ejdříve ukážeme a ormálím rozděleí, u kterého lze použít k odhadu jeho parametrů obě metody. Rozepíšeme podrobě postup výpočtu odhadů, který už u dalších rozděleí budeme zkracovat. 3. Normálí rozděleí 3.. Mometová metoda Je dá výběr X,..., X pocházející z ormálího rozděleí. Mometovou metodou odhademe parametry µ a σ 2. Hustota ormálího rozděleí je tvaru [ ] fx = x µ2 exp, kde µ R, σ 2 > 0. 2πσ 2σ 2 U tohoto rozděleí víme, že parametr µ je středí hodota, tj. počátečí teoretický momet prvího řádu a parametr σ 2 začí rozptyl, tedy teoretický cetrálí momet druhého řádu. Vyjádřeo matematicky počátečí momet prvího řádu ormálího rozděleí je µ µ, σ 2 = µ a cetrálí momet druhého řádu ormálího rozděleí je µ 2 µ, σ 2 = σ 2 Z druhé kapitoly víme, že prví počátečí výběrový momet M = X i = X a druhý cetrálí výběrový momet M 2 = Xi X 2. Řešíme tedy soustavu rovic M = µ µ, σ 2 M 2 = µ 2 µ, σ 2. 5
20 Po dosazeí dostáváme X = µ, Xi X 2 = σ 2. Odhad parametru θ = µ, σ 2 mometovou metodou je µ = X, σ 2 = Xi X Metoda maximálí věrohodosti Uvažujme opět áhodý výběr o rozsahu, tedy máme ezávislé, stejě rozděleé áhodé veličiy pocházející z ormálího rozděleí N µ, σ 2, v ěmž budeme odhadovat oba ezámé parametry µ a σ 2. Hustota ormálího rozděleí je [ ] fx = x µ2 exp, kde µ R, σ 2 > 0. 2πσ 2σ 2 Sdružeá hustota je ve tvaru fx, x 2,..., x ; µ, σ 2 = fx i ; µ, σ 2 = exp x i µ 2. 2πσ 2σ 2 Věrohodostí fukce je defiováa po dosazeí Lµ, σ 2 = fx i, µ, σ 2, Lµ, σ 2 = 2πσ exp [ X i µ ]. 2 2σ 2 Logaritmická věrohodostí fukce je defiováa jako po dosazeí dostáváme lµ, σ 2 = l lµ, σ 2 = l Lµ, σ 2, ] 2πσ exp [ X i µ 2. 2σ 2 Z vlastostí logaritmů víme, že logaritmus součiu je součet logaritmů jedotlivých čiitelů, upravíme si logaritmickou věrohodostí fukci a co ejjedodušší tvar tedy 6
21 l µ, σ 2 = l 2πσ 2 2 X i µ 2 = 2σ 2 = 2 l 2πσ 2 2σ 2 X i µ 2 = = 2 l σ2 l 2π 2σ 2 X i µ 2. Tuto věrohodostí fukci s proměými µ a σ 2 chceme maximalizovat, proto ji budeme derivovat ejprve podle µ a poté podle proměé σ 2. Je potřeba si uvědomit, že druhá parciálí derivace je podle σ 2. Derivováím dostáváme l µ, σ 2 µ = 2σ 2 2 X i µ = σ 2 l µ, σ 2 = σ 2 2 σ + 2 2σ 4 X i µ 2. X i µ Obě upraveé derivace si položíme rovo ule a vyjádříme si z ich odhady parametrů µ a σ 2. Z prví rovice úpravami získáme σ 2 X i µ = 0 X i µ = 0 µ = X i = X. 3. Z druhé rovice úpravami a dosazeím odhadu 3. získáme 2 σ σ 4 X i µ 2 = 0 X i µ 2 = 2 σ 4 2 σ 2 X i µ 2 = σ 2 σ 2 = Xi X 2. 7
22 Metodou maximálí věrohodoti dostáváme odhady parametrů µ a σ 2. µ = X, σ 2 = Xi X 2. Oběma metodami jsme dostali stejé odhady. Nyí se zaměříme a vlastosti těchto odhadů Vlastosti odhadů Z prví kapitoly víme, že bodové odhady mají své vlastosti, v této práci budeme věovat pozorost zejméa estraosti a kozisteci. Tyto vlastosti si ejdříve ověříme u odhadu středí hodoty, který je rove µ = X = X i a azývá se výběrový průměr. Nestraost Při zjišťováí této vlastosti, spočítáme středí hodotu odhadu µ, a tím ověříme, zda je odhad estraý či ikoliv. Využijeme přitom vlastost středí hodoty Ea + bx = a + bex, kde a, b R. E X = E X i = E X i = µ = µ, platí, že středí hodota odhadu se rová středí hodotě rozděleí a tedy výběrový průměr je estraým odhadem středí hodoty. Kozistece Tato vlastost se ověřuje pomocí zákoa velkých čísel a to ejlépe pomocí Chičiova slabého zákoa velkých čísel, který defiujme v ásledující větě. Nechť máme X,..., X posloupost ezávislých stejě rozděleých áhodých veliči s EX i = c <, kde c je kostata, potom X P c. V ašem případě máme áhodý výběr z ormálího rozděleí, což zaručuje stejě rozděleé áhodé veličiy, jehož prvky mají středí hodotu rovo ějaké kostatě µ, tím máme splěy předpoklady Chičiova slabého zákoa velkých čísel. Tedy výběrový průměr je kozistetím odhadem středí hodoty. Dostatečost a vydatost Výběrový průměr je dostatečým i vydatým odhadem středí hodoty, viz literatura [2]. 8
23 Následě určeme vlastosti empirického odhadu rozptylu, který ám vyšel σ 2 = Xi X 2. Nestraost Výpočet provádíme za pomoci vlastostí středí hodoty, které jsme využili při ověřováí estraosti výběrového průměru a dále faktu, že se jedá o ezávislé áhodé veličiy. Xi X 2 E σ 2 = E = E = E = E = E Xi 2 2 X i X + Xi 2 2 X 2 + X 2 = Xi 2 X 2 = E = EX 2 i 2 E X 2 i 2X i X + X 2 = X 2 = Xi 2 E X 2 = X i 2 = EX 2 i 2 E = EXi 2 EX 2 2 i + µ 2 = = EXi 2 EX2 i µ2 = = EX2 i µ2 = σ2. X i X j j= ezávislost = Vidíme, že E σ 2 σ 2, tedy empirický výběrový rozptyl eí estraým odhadem rozptylu. Další způsob ověřeí této vlastosti je za pomoci triku přičteí a odečteí µ. E σ 2 = E Xi X 2 = = E X i µ 2 X µ 2 = = E X i µ 2 E X µ 2 = = σ2 σ2 = σ2, i tímto způsobem výpočtu jsme zjistili, že empirický výběrový rozptyl eí estraým odhadem parametru σ 2. 9
24 Ověříme ještě asymptotickou estraost lim E σ 2 = lim σ2 = σ 2. a docházíme k závěru, že odhad rozptylu σ 2 je asymptoticky estraý. Kozistece Jedoduchých výpočtem ověříme, že empirický odhad rozptylu je kozistetím odhadem σ 2 = 3.2 Gama rozděleí 3.2. Mometová metoda Xi 2 X 2 P σ 2. Je dá výběr X,..., X pocházející z gama rozděleí, jak již víme z prví kapitoly gama rozděleí Gaa, p, které má parametry a > 0, p > 0 má hustotu daou vzorcem fx = středí hodota je µ = p a a rozptyl σ2 = p a 2 z []. ap Γ p e ax x p, x > 0, 3.2 Výpočet mometových odhadů provedeme v ásledujících krocích, kde ebude porovávat druhý cetrálí momet s empirickým rozptylem, ale druhý cetrálí momet s výběrovým rozptylem S 2 = Xi X 2, azývá vypočteý rozptyl. Čiíme z důvodu lepších výsledků. Tedy pro prví dva počátečí momety tohoto rozděleí platí µ a, p = p a, µ 2 a, p = p a 2. Prví počátečí výběrový momet a druhý cetrálí výběrový momet jsou tvaru Řešíme soustavu rovic M = M 2 = X i = X, Xi X 2 = S X = p a, S 2 = p a 2. 20
25 Nejdříve si spočítáme odhad parametru a ásledě odhad parametru p X S 2 = p â p â 2 = â, p = X â = X X S 2 = X 2. S 2 Metodou mometů dostáváme pro parametr θ = a, p odhady â = X S 2 p = X 2. S Metoda maximálí věrohodosti Odhademe parametry gama rozděleí metodou maximálí věrohodosti. Hustota gama rozděleí je již uvedea v 3.2. Rovou píšeme sdružeou hustotu fx, x 2,... x ; a, p = a p Γ p e ax i x p i. Maximálě věrohodé odhady parametrů a a p dostaeme pomocí věrohodostí fukce a p L a, p = Γ p e ax i X p i. Pro její logaritmus dostaeme vyjádřeí Derivací dostáváme l a, p = a p l Γ p e ax i X p i = = p l a l Γ p + p l X i ax i. l a, p a l a, p p = = p i a X = p a l a Γ p Γ p + l X i = l a ψ p + X i l X i, 2
26 kde ψ p azýváme digama fukcí. Prví derivace položíme rovu ule a vyjádříme si z í odhad parametru a p â X i = 0 p â = X i â = p X. 3.4 Derivaci podle parametru p taktéž položíme rovu ule a upravíme si ji l â ψ p + l X i = 0 l â + ψ p = Nyí si rovici 3.4 zlogaritmujeme. Dostáváme tak l X i 3.5 Rovost 3.6 dosadíme do 3.5, dostáme l â = l X l p 3.6 l X l p + ψ p = l X i. Na jedu strau si dáme prvky, které obsahují odhadutý parametr p a rovost si upravíme l p ψ p = l X l X i = = l X l X i = = l X X i. Pokud bychom chtěli vědět přesou hodotu odhadu p, tak bychom využili ějaký program, který by odhad dopočítal umericky. Vlastosti odhadů gama rozděleí Každou metodou ám vyšly jié odhady. U metody maximálí věrohodosti vyšly odhady, které se musí softwarem dopočítat, proto ověříme jaké vlastosti mají odhady odhaduté pomocí metody mometů. Nejprve sepíšeme jaké vlastosti má odhad â = X. 22 S 2
27 Nestraost Odhad â je estraým odhadem parametru a. Kozistece Z vlastostí výběrového průměru, výběrového rozptylu a se splěím podmíek zákoa velkých čísel dostáváme â P a, jedá se o kozistetí odhad. Nestraost Odhad p eí estraý. Ověříme tedy asymptotickou estraost + p lim E p = lim Tedy teto odhad je asymptoticky estraý. Kozistece = p. Platí p P p a tedy teto odhad je kozistetím odhadem parametru p. 3.3 Logaritmicko-ormálí rozděleí Mometová metoda Logaritmicko-ormálí rozděleí je příkladem, kdy se epoužívá k výpočtu parametrů mometová metoda. Toto rozděleí emá omezeé momety a tedy eí zaruče jedozačě vzájemý vztah mezi posloupostí mometů a hustotou rozděleí. Formálím výpočtem rovic pro počátečí teoretické a výběrové momety dostaeme vzorce pro parametry, jejich řešeí ale emusí odpovídat skutečosti. Logaritmicko-ormálí rozděleí LNµ, σ 2 se dvěma parametry µ R a σ 2 > 0, které má áhodá veličia X jejíž trasformace l X má ormálí rozděleí Nµ, σ 2. Pro její hustotu dostaeme vyjádřeí ve tvaru ] l x µ2 fx = exp [, pro x > 0. 2πσx 2σ 2 Počátečí momet prvího řádu a cetrálí momet druhého řádu tohoto rozděleí je µ ] µ, σ 2 = exp [µ + σ2, 2 µ 2 µ, σ 2 = exp [ σ 2] exp [ 2µ + σ 2]. 23
28 Výběrový průměr a empirický rozptyl jsou M = X i = X, M 2 = Xi X 2. Dostáváme a porováím rovice, ve kterých pro zjedodušeí a zkráceí vzorců ebudeme vyjadřovat hodoty M a M 2 X = ] exp [µ + σ2 = M 2, Xi X 2 = exp [ σ 2] exp [ 2µ + σ 2] = M Prví rovici zlogaritmuji a vyjádřím si z í µ l M = µ + σ2 2 µ = l M σ Druhou rovici ze soustavy 3.7 si také zlogaritmuji a dosadim za 2µ + σ 2 výraz 2 l M dostáváme tak postupě si z 3.9 vyjádřím σ 2 l M 2 = l exp [ σ 2] + 2µ + σ 2 l M 2 = l exp [ σ 2] + 2 l M 3.9 exp [l M 2 ] exp [ 2 l M ] = exp [ σ 2] M 2 M 2 + = exp [ σ 2] σ 2 = l M2 M Pro vyjádřeí odhadu parametru µ dosadím 3.0 do prví zlogaritmovaé rovice 3.8 čili l M = µ 2 l M2 M 2 + µ = l M 2 l M2 M 2 + Pro áhodý výběr o rozsahu, jehož áhodé veličiy mají logaritmicko-ormálí rozděleí dostáváme metodou mometů odhady pro jeho parametry µ = l M 2 l + M 2 M 2 σ 2 = l + M 2. M 24
29 Metoda maximálí věrohodosti Nyí máme za úkol určit odhad parametrů áhodé veličiy X, která má logaritmicko-ormálí rozděleí s ezámými parametry µ R a σ 2 > 0 pomocí metody maximálí věrohodosti. Rovou apíšeme sdružeou hustotu Věrohodostí fukce fx, x 2,..., x ; µ, σ 2 = Lµ, σ 2 = ] l x µ2 exp [. 2πσxi 2σ 2 ] 2πσXi exp [ l X i µ 2. 2σ 2 Dostáváme se k logaritmické věrohodostí fukci, kterou máme defiovaou lµ, σ 2 = l Lµ, σ 2 lµ, σ 2 = l exp [ l X ] i µ 2, 2πσXi 2σ 2 postupě upravujeme lµ, σ 2 = = [ ] l X l i µ 2 + l exp = 2πσXi 2σ 2 l 2π l σ l X i l X i µ 2 = 2σ 2 = 2 l 2π 2 l σ2 l X i 2σ 2 l X i µ 2. Soustavu věrohodostích rovic derivujeme podle parametrů µ a σ 2 l µ, σ 2 µ = 2σ 2 2 l X i µ = l X σ 2 i µ l µ, σ 2 σ 2 = 2σ 2 + 2σ 4 l X i µ 2. Derivace položíme rovo ule a vyjádříme si z ich odhady parametrů µ a σ 2 σ 2 l X i µ = 0 l X i µ = 0 µ = l X i 25
30 a pro odhad σ 2 dostáváme 2 σ σ 4 l X i µ 2 = 0 l X i µ 2 = 2 σ 4 2 σ 2 l X i µ 2 = σ 2 σ 2 = l X i µ 2. Metodou maximálí věrohodosti jsme dostali tyto odhady µ = l X i σ 2 = l X i µ 2. Vlastosti odhadů vypočítaé metodou maximálí věrohodosti Ověříme jaké vlastosti má odhad µ spočteý metodou maximálí věrohodosti. Nestraost E µ = E l X i = E l X i = µ = µ, tedy odhad µ je estraým odhadem parametru µ. Kozistece Tuto vlastost ověřujeme za pomoci Chičiova slabého zákoa velkých čísel. Jeho předpoklady máme splěy, jelikož máme áhodý výběr z rozděleí, které má středí hodotu rovou ějaké kostatě a tedy odhad µ je kozistetím odhadem parametru µ. 3.4 Expoeciálí rozděleí 3.4. Mometová metoda Expoeciálí rozděleí Exλ, kde λ > 0 má hustotu defiovaou 26
31 fx = [ λ exp x ], x > 0, λ středí hodota µ = λ. Metodou mometů budeme odhadovat parametr λ, a tudíž odhad parametru λ získáme z porováí M = µ, kde M = X i = X, tedy odhadem parametru λ je hodota λ = X Metoda maximálí věrohodosti Věrohodostí fukce je rova L λ = [ λ exp X ] i λ a její logaritmická věrohodostí fukce je rova [ ] l λ = l λ exp Xi λ = l λ λ X i = l λ λ X i. Odtud dostáváme věrohodostí rovici l λ λ = λ + X λ 2 i. Věrohodostí rovici položíme rovu ule a úpravami dostáváme maximálě věrohodý odhad parametru λ ṋ λ + λ2 X i = 0 λ = λ2 λ = X i X i = X Vlastosti odhadů Oběma metodami ám vyšly stejé odhady. Odhad středí hodoty je výběrový průměr, jehož vlastosti jsme již ověřili v části 3..3 a víme, že teto odhad je estraý a kozistetí. 27
32 3.5 Rovoměré rozděleí 3.5. Mometová metoda U této motedy si můžeme zvolit jaké teoretické momety budeme porovávat s výběrovými momety. Tedy u tohoto rozděleí ebude porovávat druhý cetrálí momet s empirickým rozptylem, ale využijeme druhý výběrový momet M 2, který ám usadí výpočet. Mometová metoda Rovoměré rozděleí je defiovaé a itervalu µ h, h + µ a má hustotu daou výrazem fx = 2h, µ h < x < µ + h. Prví a druhý teoretický počátečí momet je µ µ, h = µ, µ 2 µ, h = µ 2 + h2 3. Prví a druhý výběrový momet je M = M 2 = X i = X Xi 2. Porováím prvího mometu s výběrovým průměrem a druhého mometu s druhým výběrovým mometem získáme odhady parametrů µ a h. Budeme tedy vycházet z ásledující soustavy rovic M = µ µ, h M 2 = µ 2 µ, h. Dosadíme a dostáváme odhad parametru µ µ = X, a s využitím odhadu µ vypočítáme odhad pro parametr h Xi 2 = µ 2 + ĥ2 3 Xi 2 = 2 ĥ 2 X + 3 ĥ 2 = 3 Xi 2 2 X ĥ = 3 Xi 2 2 X. 28
33 3.5.2 Metoda maximálí věrohodosti Věrohodostí fukce pro áhodý výběr z rovoměrého rozděleí je rova L µ, h = 2h = 2h její logaritmus je rove l µ, h = l 2h = l 2h. Tato fukce má maximálí hodotu pro miimálí hodotu parametru h. Maximálě věrohodý odhad parametru h je rove ĥ = 2 max {X i; i } mi {X i ; i }. Pro maximálě věrohodý odhad parametru µ dostáváme µ = 2 max {X i; i } + mi {X i ; i }, což jsou hodoty odlišé od odhadů, které jsme dostali metodou mometů Vlastosti odhadů U odhadu spočteé metodou maximálí věrohodosti jsme obdrželi µ, který je estraý odhad a odhadu parametru h ověříme estraost E ĥ = E 3 Xi 2 2 X = 3 E Xi 2 2 X = 3 σ2 = 3 λ 2 = 3λ 2. Tedy odhad ĥ eí estraý, ale je asymptoticky estraý a oba odhady jsou kozistetí viz [3]. 29
34 4. Bodové odhady pro růzá diskrétí rozděleí Tato kapitola se věuje odhadům parametrů diskrétích pravděpodobostích rozděleí. Podobě jako ve třetí kapitole odhademe parametry mometovou metodou a metodou maximálí věhodosti. 4. Geometrické rozděleí 4.. Mometová metoda Náhodá veličia X má geometrické rozděleí defiovaé pravděpodobostí fukci P X = x = p p x, x N. Pro základí číselé charakteristiky platí, že středí hodota je µ = a rozptyl p σ 2 =. Je-li X p p, X 2,..., X áhodý výběr z geometrického rozděleí, tak metodou mometů porováváme pouze výběrový průměr a středí hodotu geometrického rozděleí, protože pro geometrické rozděleí odhadujeme jede parametr p. Matematicky vyjádřeo M = µ dosadíme za µ = p a za M = X i = X. Tedy odhad parametru p je p = X Metoda maximálí věrohodosti Maximálě věrohodý odhad spočítáme z věrohodostí fukce, která je L p = p p Xi, kde X i N. Logaritimická věrohodostí fukce se rová l p = l p p X i = l p + l p X i = l p + X i l p = l p + X i l p, tudíž věrohodostí rovice 30
35 l p p = p X i p. Věrohodostí rovici položíme rovu ule, abychom mohli ajít maximálě věrohodý odhad parametru p X i p = 0 X i = ṋ p p p X i = p p = X i = X = X. i 4..3 Vlastosti odhadů 4.2 Metodou mometů i metodou maximálí věrohodosti ám vyšel stejý odhad parametru p a to převráceá hodota výběrového průměru. Teto odhad je estraý a kozistetím odhadem středí hodoty viz literatura []. 4.2 Poissoovo rozděleí 4.2. Mometová metoda Předpokládejme, že veličia X abývá pouze hodot 0,,..., a to s pravděpodobostmi P X = x = λx x! e λ, x = 0,,..., kde λ > 0 je daé číslo. Pak říkáme, že X má Poissoovo rozděleí Poλ s parametrem λ. Platí, že středí hodota je µ = λ. Tedy pro odhad parametru λ porováme středí hdootu s výběrovým průměrem µ = M, po dosazeí odhadem parametru λ je odhad λ = X Metoda maximálí věrohodosti Věrohodostí fukce je rova L λ = λ X i X i! e λ 3
36 a její logaritmus je rove l λ = λ X i l X i! e λ = l λ X i l X i! λ = = l λ X i l X i! λ. Zderivováím logaritmické věrohodostí fukce dostáváme věrohodostí rovici l λ = λ X i. Věrohodostí rovici položíme rovu ule a dostaeme maximálě věrohodý odhad parametru λ, který je rove λ X i = 0 λ = X i = X Vlastosti odhadů Oběma metodami ám vyšly stejé odhady. Odhad středí hodoty je výběrový průměr, jehož vlastosti jsme již ověřili a víme, že teto odhad je estraý a kozistetí. 4.3 Biomické rozděleí 4.3. Mometová metoda Biomické rozděleí Bim, p má pravděpodobostí fukci m P X = x = p k p m x, x = 0,,..., m x středí hodota je µ = mp a rozptyl σ 2 = mp p. Mometovou metodou dostaeme pro porováí M = µ tedy odtud dostaeme odhad parametru p X = mp p = X m = m 32 X i.
37 4.3.2 Metoda maximálí věrohodosti Věrohodostí fukce je rova m L, p = p X i p m X i. Logaritmická věrohodostí fukce je X i m l m, p = l p X i p m X i X i m = l + l p X i m = l + l p X i X i + l p m X i X i + l p m X i. Protože je lim l m, p = lim l m, p = p 0 + p má věrohodostí fukce maximum ve stacioárím bodě. Pro ěj dostaeme věrohodostí rovici l m, p = X i m X i. p p p Věrohodostí rovici položíme rovu ule a vyjádříme si maximálě věrohodý odhad parametru p X i p m X i = 0 p X i = m X i p p X i p X i = pm p X i = pm p = m X i = X i X m Vlastosti odhadů Oběma metodami ám vyšly stejé odhady. Odhad p eí estraý odhad viz []. E p = E X m = m E X i = EX i m = mp m = p, tedy odhad parametru p je estraý. Teto odhad je i kozistetí. 33
38 5. Přehled bododových odhadů Tato kapitola bude shrutím všech odhadů parametrů, které jsme apočítali. V tabulkách bude vždy určité rozděleí a pro ěj uvedey odhady metodou mometů, kterou budeme začit MM a metodu maximálí věrohodosti ozačíme jako MMV. U těch odhadů u kterých jsme ověřili estraost uvedeme tuto vlastost v tabulce. Všechy odhady, která jsem spočítali jsou kozistetí. Spojitá rozděleí U ormálího rozděleeí ám vyšly oběma metodami stejé odhady pro oba parametry. Odhad µ se azývá výběrový průměr a odhad σ 2 je empirický rozptyl. Rozděleí MM MMV Nestraost Nµ, σ 2 µ = X µ = X ao Nµ, σ 2 σ 2 = Xi 2 σ 2 = Xi 2 e Tabulka A: Normálí rozděleí. Pro gama rozděleí ám vyšly rozdílé odhady a avíc pro výpočet odhadů parametrů a a p metodou maximálí věrohodosti potřebujeme software, který by ám umericky dopočítal hodoty těchto odhadů. Tedy pro gama rozděleí je vhodější použití mometové metody. Rozděleí MM Nestraost MMV Gaa, p Gaa, p â = X S 2 p = X 2 S 2 ao â = p X X e l p ψ p = l X i Tabulka B: Gama rozděleí. U logaritmicko-ormálího rozděleí ám vyšly růzé odhady parametrů µ a σ 2 a pro toto rozděleí je lepší použití metody maximálí věrohodosti. Pro parametr µ dává metoda maximálí věrohodosti estraý odhad, ale odhad parametru σ 2 eí estraý. Rozděleí MM MMV LNµ, σ 2 µ = l M 2 l + M 2 M 2 µ = l X i LNµ, σ 2 σ 2 = l + M 2 σ 2 = l X M i µ 2 Tabulka C: Logaritmicko-ormálí rozděleí. 34
39 Pro expoeciálí rozděleí jsme odhadovali parametr λ a u obou metod ám vyšel výběrový průměr. Tedy obě metody jsou stejě vhodé pro výpočet tohoto odhadu. Rozděleí MM Nestraost MMV Nestraost Exλ λ = X ao λ = X ao Tabulka D: Expoeciálí rozděleí. Mometovou metodou ám pro rovoměré rozděleí vyšly odhad µ, který je estraý a odhad ĥ eí estraý. U odhadů metodou maximálí věrohodosti musí pro X i platit i. Rozděleí MM MMV Rµ, h µ = X ĥ = 2 max {X i} mi {X i } Rµ, h ĥ = 3 Xi X µ = 2 max {X i} mi {X i } Tabulka E: Rovoměré rozděleí. Diskrétí rozděleí U geometrického rozděleí odhad parametru p vyšla převráceá hodota výběrovového průměru. Rozděleí MM Nestraost MMV Nestraost Gep p = X ao p = X ao Tabulka F: Geometrické rozděleí. 35
40 Poissoovo rozděleí má parametr λ a odhad tohoto parametru je výběrový průměr, který vyšel oběma metodami. Rozděleí MM Nestraost MMV Nestraost Poλ λ = X ao λ = X ao Tabulka G: Poissoovo rozděleí. Pro parametr biomického rozdělěí dává metoda mometů i metoda maximálí věrohodosti stejý výsledek. Rozděleí MM Nestraost MMV Nestraost Bim, p p = X m ao p = X m ao Tabulka H: Biomické rozděleí. 36
41 Závěr V prví kapitole jsme se sezámili s tím, co jsou to rozděleí, jak mohou vypadat ěkteré jejich hustoty a zadefiovali jsme si základí pojmy týkající se bodového odhadu. V další kapitole jsme si představili, jak lze odhadovat parametry spojitých distribucí. Ukázali jsme, že lze pro bodový odhad použít mometovou metodu ebo metodu maximálí věrohodosti. V třetí kapitole jsme apočítali odhady parametrů spojitých rozděleí pomocí dvou dříve zmíěých metod a zjistili jsme, že i přes velkou početí áročost metody maximálí věrohodosti existuje efektiví řešeí odhadováí parametrů v podobě metody mometů. Čtvrtá kapitola zahruje totéž jako třetí kapitola, pouze s tím rozdílem, že se věujeme diskrétím áhodým veličiám. Pátá kapitola je přehledem spočítaých odhadů. Pro základí rozděleí dávají obě metody skoro vždy shodé výsledky, vyjímkou je gama rozděleí, logaritmicko-ormálí rozděleí a rovoměré rozděleí. Nelze jedozačě rozhodout, která z metod poskytuje lepší výsledky. Rozhodováí provádíme podle daé situace, ejčastěji rozhoduje jedoduchost získaých vzorců. Metoda mometů zohledňuje všecha data z výběru a volíme ji v případech, kdy je soustava věrohodostích rovic obtížě řešitelá. Iformace, dostupé v této bakalářské práci, lze využít při rozhodováí, kterou metodu pro bodový odhad použít, eboť u zmíěých metod je postup výpočtu a základí pricip. Bude záležet je a rozhodutí odhadujícího pracovíka, kterou metodu použije a která splňuje daé požadavky. Z této práce vyplývájí pozatky o tom, že je uté aby studet ebo pracovík, který bude pracovat s daty a provádět odhad, měl základí představu o pravděpodobostím rozděleí dat, o příkladu ebo o aalýze, kterou bude řešit a ovládá problematiku daého oboru. Pokud tomu tak ebude a obtížost projektu bude odhadovat řádě epoučeá osoba, může to vést ke špatým vysledkům a esplitelým odhadům. Téma této bakalářské práce pro me bylo velkou výzvou, eboť jsem o problematice odhadováí bodových parametrů slyšela, ale doposud jsem je ikde ealezla spočítaé odhady, abych se sezámila s fukčostí metod. Pozáí metod je pro mě velkým příosem, především vhodost jejich použití. Metoda maximálí věrohodosti me oslovila především svou jedoduchostí a poměrě přesými výsledky. 37
42 Sezam použité literatury [] ANDĚL, Jiří: Základy matematické statistiky, Praha: Matfyzpress, 20, 358 s., ISBN [2] BISKUP, Roma: Bodový odhad parametrů rozděleí, Praha, 202, birom/stat/ [3] FRANK Jakub: Odhady parametrů vícerozměrého Studetova rozděleí, Bro, s. Diplomová práce. Masarykova Uiverzita v Brě. [4] KULICH, Michal: Malý větíček, Praha, 203, kulich/ [5] REISS Marti: Odhady parametrů ěkterých rozděleí pravděpodobosti a jejich vlastosti, Bro, s. Bakalářská práce. Masarykova uiverzita. [6] VAŇKÁTOVÁ Kristýa: Metody odhadu regresích parametrů, Olomouc, s. Bakalářská práce. Uiverzita Palackého v Olomouci. [7] ZVÁRA, Karel; ŠTĚPÁN, Josef: Pravděpodobost a matematická statistika, Praha : Matfyzpress, s., ISBN
14. 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
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Vícejako 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
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VíceIntervalové 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:
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
Více6 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
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
VíceMatematika 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
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
Více8. 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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
VíceKomplexní 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
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
Vícen=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0
Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada
VíceObsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...
Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1
Více1 Uzavřená Gaussova rovina a její topologie
1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VíceSpojitost a limita funkcí jedné reálné proměnné
Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
VíceMocninné řady - sbírka příkladů
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Mocié řady - sbírka příkladů Vedoucí bakalářské práce: Mgr. Iveta Bebčáková, Ph.D.
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceTeorie odhadů 2 Teorie odhadů... 3 Odhad parametrů... 4
Metody odhadováí parametrů. Metoda mometů. Maximálě věrohodé odhady. Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_prit.pdf
Více1. 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;
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceDERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM
Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře
Vícen-rozměrné normální rozdělení pravděpodobnosti
-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VíceKapitola 4 Euklidovské prostory
Kapitola 4 Euklidovské prostory 4.1. Defiice euklidovského prostoru 4.1.1. DEFINICE Nechť E je vektorový prostor ad tělesem reálých čísel R,, : E 2 R. E se azývá euklidovský prostor, platí-li: (I) Pro
VíceAbstrakt. Co jsou to komplexní čísla? K čemu se používají? Dá se s nimi dělat
Komplexí čísla Hoza Krejčí Abstrakt. Co jsou to komplexí čísla? K čemu se používají? Dá se s imi dělat ěco cool? Na tyto a další otázky se a předášce/v příspěvku pokusíme odpovědět. Proč vzikla komplexí
VíceNMSA331 Matematická statistika 1
NMSA331 Matematická statistika 1 POZNÁMKY K PŘEDNÁŠCE Naposledy upraveo de 29. prosice 2018. Katedra pravd podobosti a matematické statistiky Matematicko-fysikálí fakulta Uiversity Karlovy Teto učebí text
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
Více1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V
Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být
VícePoznÁmky k přednášce
NMSA331 Matematická statistika 1 PozÁmky k předášce Naposledy upraveo de 15. úora 2019. Katedra pravd podobosti a matematické statistiky Matematicko-fysikálí fakulta Uiversity Karlovy Teto učebí text představuje
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
VíceŘADY Jiří Bouchala a Petr Vodstrčil
ŘADY Jiří Bouchala a Petr Vodstrčil Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 2. století (reg. č. CZ..07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská Techická
Více1 Základy Z-transformace. pro aplikace v oblasti
Základy Z-trasformace pro aplikace v oblasti číslicového zpracováí sigálů Petr Pollák 9. říja 29 Základy Z-trasformace Teto stručý text slouží k připomeutí základích vlastostí Z-trasformace s jejími aplikacemi
VíceSekvenční logické obvody(lso)
Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách
VíceS polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické
5 Itegrace racioálích fukcí 5 Itegrace racioálích fukcí Průvodce studiem V předcházejících kapitolách jsme se aučili počítat eurčité itegrály úpravou a základí itegrály, metodou per partes a substitučí
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
Více2.4. INVERZNÍ MATICE
24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceVaR analýza citlivosti, korekce
VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
VíceSeznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.
2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VícePravděpodobnostní 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
VíceCvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N?
1 Prví prosemiář Cvičeí 1.1. Dokažte Beroulliovu erovost (1 + x) 1 + x, N, x. Platí tato erovost obecě pro všecha x R a N? Řešeí: (a) Pokud předpokládáme x 1, pak lze řešit klasickou idukcí. Pro = 1 tvrzeí
VícePřednáška 7, 14. listopadu 2014
Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
Vícea logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n.
Matematická aalýza II předášky M. Málka cvičeí A. Hakové a R. Otáhalové Semestr letí 2005 6. Nekoečé řady fukcí V šesté kapitole pokračujeme ve studiu ekoečých řad. Nejprve odvozujeme základí tvrzeí o
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceNMAF063 Matematika pro fyziky III Zkoušková písemná práce 17. ledna 2019
Jméo: Příklad 2 3 Celkem bodů Bodů 0 8 2 30 Získáo 0 Uvažujte posloupost distribucí {f } + = D (R defiovaou jako f (x = ( δ x m, kde δ ( x m začí Diracovu distribuci v bodě m Najděte limitu f = lim + f
Vícen=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1
[M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti
VíceDIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ. 1) Pojem funkce, graf funkce
DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ ) Pojem ukce, gra ukce De: Fukcí reálé proměé azýváme pravidlo, které každému reálému číslu D přiřazuje právě jedo reálé číslo y H Toto pravidlo začíme ejčastěji
VíceStatistika pro metrologii
Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých
VíceMatematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
VíceMatematická analýza I
1 Matematická aalýza ity posloupostí, součty ekoečých řad, ity fukce, derivace Matematická aalýza I látka z I. semestru iformatiky MFF UK Zpracovali: Odřej Keddie Profat, Ja Zaatar Štětia a další 2 Matematická
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta. Pavel Pejřimovský. Katedra pravděpodobnosti a matematické statistiky
Uiverzita Karlova v raze Matematicko-fyzikálí fakulta BAKALÁŘSKÁ RÁCE avel ejřimovský rofilová věrohodost Katedra pravděpodobosti a matematické statistiky Vedoucí bakalářské práce : Studijí program : Studijí
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
VíceSTUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6
Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II
Více7. Odhady populačních průměrů a ostatních parametrů populace
7. Odhady populačích průměrů a ostatích parametrů populace Jak sme zišťovali v kapitole. e možé pro každou populaci sestroit možství parametrů, které i charakterizue. Pro účely základího pozáí e evýzaměší
VíceUžití binomické věty
9..9 Užití biomické věty Předpoklady: 98 Často ám z biomického rozvoje stačí pouze jede kokrétí čle. Př. : x Urči šestý čle biomického rozvoje xy + 4y. Získaý výraz uprav. Biomický rozvoj začíá: ( a +
VíceP. Girg. 23. listopadu 2012
Řešeé úlohy z MS - díl prví P. Girg 2. listopadu 202 Výpočet ity poslouposti reálých čísel Věta. O algebře it kovergetích posloupostí.) Necht {a } a {b } jsou kovergetí poslouposti reálých čísel a echt
Víceje číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost
Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet
VíceKapitola 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
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
Vícez možností, jak tuto veličinu charakterizovat, je určit součet
6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p
Více8.1.3 Rekurentní zadání posloupnosti I
8.. Rekuretí zadáí poslouposti I Předpoklady: 80, 80 Pedagogická pozámka: Podle mých zkušeostí je pro studety pochopitelější zavádět rekuretí posloupost takto (sado kotrolovatelou ukázkou), ež dosazováím
Více1 Základní pojmy a vlastnosti
Základí pojmy a vlastosti DEFINICE (Trigoometrický polyom a řada). Fukce k = (a cos(x) + b si(x)) se azývá trigoometrický polyom. Řada = (a cos(x) + b si(x)) se azývá trigoometrická řada. TVRZENÍ (Ortogoalita).
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
VíceIterační výpočty projekt č. 2
Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....
Více5. Posloupnosti a řady
Matematická aalýza I předášky M. Málka cvičeí A. Hakové a R. Otáhalové Zimí semestr 2004/05 5. Poslouposti a řady 5.1 Limita a hromadé hodoty. Mějme posloupost x ) prvků Hausdorffova topologického prostoru
Více