Eva Fišerová a Karel Hron. Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci.
|
|
- Štěpánka Staňková
- před 6 lety
- Počet zobrazení:
Transkript
1 Ortogonální regrese pro 3-složkové kompoziční data využitím lineárních modelů Eva Fišerová a Karel Hron Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci Robust 01
2 Cíle přednášky ukázat principy modelování lineárního vztahu mezi složkami kompozic ukázat základní statistické inference pro odhadnutou přímku E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 / 34
3 Obsah 1 Motivace Regrese mezi složkami kompozičních dat 3 Statistické inference 4 Příklad E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 3 / 34
4 Motivace: Analýza věkové struktury populace zemí OSN Věkové kategorie: x 1 mladší 15 let x let x 3 starší 60 let Data ze statistického oddělení OSN obsahují populační strukturu 196 členských zemí Hrubá data zcela zavádějící, nebot jednotlivé státy mají různý počet obyvatel převedení dat na poměry - lze vidět relativní příspěvek jednotlivých věkových skupin na celkový počet obyvatel = kompoziční data E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 4 / 34
5 Vizualizace 3-složkových kompozičních dat: ternární diagram x 1 mladší 15 let x let x 3 starší 60 let Konstrukce: rovnoramenný trojúhelník X 1 X X 3 x = (x 1, x, x 3 ) zobrazena ve vzdálenosti x 1 od strany protilehlé k vrcholu X 1, atd. x 3 x 1 x E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 5 / 34
6 Metodologie při regresní analýze složek kompozičních dat Výběrový prostor simplex S 3 3-složkové kompozice ilr transformace Euklidovský reálný prostor R regrese pro náhodné proměnné zpětná transformace Simplex E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 6 / 34
7 Ilr transformace: S 3 R Ternární diagram Původní 3-složkové kompozice vyjádříme v ortonormálních souřadnicích, např. x 3 z 1 = x 1 ln, 3 x x 3 z = 1 ln x x 3. x 1 x E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 7 / 34
8 Ilr transformace: S 3 R Původní 3-složkové kompozice vyjádříme v ortonormálních souřadnicích, např. x z 1 = 1 ln, 3 x x 3 z = 1 ln x x 3. Nyní lze provést regresi z z 1 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 8 / 34
9 Ilr transformace: S 3 R Původní 3-složkové kompozice vyjádříme v ortonormálních souřadnicích, např. x z 1 = 1 ln, 3 x x 3 z = 1 ln x x 3. Nyní lze provést regresi z z 1 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 9 / 34
10 Regresní analýza mezi ilr souřadnicemi (z 1, z ) Chyby měření v obou proměnných Nelze užít metodu nejmenších čtverců Řešení: Ortogonální regrese (metoda úplných nejmeších čtverců (TLS), kalibrační problém, modelování s chybami v proměnných) E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
11 Nejjednodušší úloha ortogonální regrese Princip: najít přímku z = β 1 + β z 1 tak, aby součet čtverců vzdáleností napozorovaných bodů od této přímky byl minimální. Matematicky: n i=1 min (z i β 1 β z 1i ) β 1,β β + 1 Ortogonální regrese: chyby měřeny kolmo k hledané přímce Metoda nejmenších čtverců: chyby měřeny rovnoběžně s osou z E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
12 Standardní řešení pro ortogonální regresi - ML Metoda maximální věrohodnosti (Kendall a Stuart, 1967) absolutní člen: β1 = z β z 1, směrnice: β = s z s z 1 + (s z s z 1 ) + 4s z 1 z s z1 z. z 1 výběrový průměr, s z 1 výběrový rozptyl, s z1 z výběrová kovariance Odhady stejné jako metodou ortogonálních nejmenších čtverců Odhad směrnice je totožný se směrem první hlavní komponenty metody PCA (Jackson a Dunlevy, 1988) E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 1 / 34
13 Standardní řešení pro ortogonální regresi - SVD Singulární rozklad matice (1 n, z 1, z ) Odhad X {}}{ ( 1 n, z 1, z ) = UDV }{{} T U ortonormální matice vl. vektorů T T, V ortonormální matice vl. vektorů T T, D diagonální matice singulárních hodnot - odmocněná vl. čísel matice T T. β = (X X λ 3I ) 1 X z, λ 3 je nejmenší singulární hodnota ze singulárního rozkladu matice (1 n, z 1, z ) formule je často numericky nestabilní (Markovsky a Huffel, 007) E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
14 Proložení dat přímkou pomocí lineárního modelu s podmínkami typu II Podmínky typu II (Kubáček et al., 1995) omezení na regresní parametry omezení na další neznámé parametry nelineární podmínky typu II Statistický model ( ) ( Z 1 µ = + ε, ν = β Z ν) β µ, var(ε) = σ I. µ neznámá bezchybná hodnota souřadnice z 1, ν neznámá bezchybná hodnota souřadnice z, β 1, β... neznámý úsek a směrnice ortogonální regresní přímky. E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
15 Odhad ortogonální regresní přímky MNČ v linearizovaném modelu nejlepší nestranný lineární odhad (BLUE) úsek β1 směrnice β střední hodnoty µ a ν varianční matice odhadů µ, ν a ( β 1, β ) kovarianční matice odhadů µ a ν kovarianční matice odhadů ( µ, ν ) a ( β 1, β ) nestranný odhad σ Všechny výsledky závisí na volbě přibližných hodnot pro linearizaci = nutno řešit iteračně E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
16 BLUE parametrů µ, ν, β 1 a β µ = Z 1 + [ ν = Z [ β (0) β (0) β (0) ] + 1 M (0) [ Z ν (0) β (0) 1 [ ] M (0) Z ν (0) β (0) + 1 ( Z 1 µ (0))], (1) ( Z 1 µ (0))], () ) ( ) ( β1 β (0) ( n, 1 µ (0) ) 1 = 1 β β (0) + [ ] µ (0) [ ] 1, µ (0) µ (0) [ 1 Z ν (0) β (0) ( Z1 µ (0))] [ ] [ µ (0) Z ν (0) β (0) ( Z1 µ (0))], (3) β (0) 1, β(0), µ(0), ν (0) přibližné hodnoty E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
17 Iterační algoritmus pro odhad ortogonální regresní přímky 1 Stanovení počátečních hodnot: parametry β (0) 1, β(0) ortogonální regresní přímky a bezchybné údaje µ (0), ν (0) tak, že ν (0) = β (0) β(0) µ(0). Výpočet odhadů β 1, β, µ a ν pro body (z 1k, z k ), k = 1,..., n. 3 Stanovení nových počátečních hodnot podle schématu: ν (0) = ν + ( β β (0) )( µ µ(0) ), µ (0) = µ, β (0) 1 = β 1, β (0) = β. 4 Kroky -4 opakujeme dokud posloupnost odhadů konverguje. E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
18 Iterační algoritmus pro odhad ortogonální regresní přímky 1 Stanovení počátečních hodnot: parametry β (0) 1, β(0) ortogonální regresní přímky a bezchybné údaje µ (0), ν (0) tak, že ν (0) = β (0) β(0) µ(0). Výpočet odhadů β 1, β, µ a ν pro body (z 1k, z k ), k = 1,..., n. 3 Stanovení nových počátečních hodnot podle schématu: ν (0) = ν + ( β β (0) )( µ µ(0) ), µ (0) = µ, β (0) 1 = β 1, β (0) = β. 4 Kroky -4 opakujeme dokud posloupnost odhadů konverguje. E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
19 Iterační algoritmus pro odhad ortogonální regresní přímky 1 Stanovení počátečních hodnot: parametry β (0) 1, β(0) ortogonální regresní přímky a bezchybné údaje µ (0), ν (0) tak, že ν (0) = β (0) β(0) µ(0). Výpočet odhadů β 1, β, µ a ν pro body (z 1k, z k ), k = 1,..., n. 3 Stanovení nových počátečních hodnot podle schématu: ν (0) = ν + ( β β (0) )( µ µ(0) ), µ (0) = µ, β (0) 1 = β 1, β (0) = β. 4 Kroky -4 opakujeme dokud posloupnost odhadů konverguje. E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
20 Iterační algoritmus pro odhad ortogonální regresní přímky 1 Stanovení počátečních hodnot: parametry β (0) 1, β(0) ortogonální regresní přímky a bezchybné údaje µ (0), ν (0) tak, že ν (0) = β (0) β(0) µ(0). Výpočet odhadů β 1, β, µ a ν pro body (z 1k, z k ), k = 1,..., n. 3 Stanovení nových počátečních hodnot podle schématu: ν (0) = ν + ( β β (0) )( µ µ(0) ), µ (0) = µ, β (0) 1 = β 1, β (0) = β. 4 Kroky -4 opakujeme dokud posloupnost odhadů konverguje. E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
21 Vlastnosti iteračního algoritmu konverguje velmi rychle po několika málo iteracích Jestliže iterační algoritmus konverguje, konverguje k maximálně věrohodným odhadů ortogonální regresní přímky (Donevska et. al, 011) Iterační procedura zaručuje, že výsledné odhady splňují podmínku ν = β β µ Numericky nestabilní, jestliže přímka má tendenci být kolmá k ose z 1 rotace proměnných (z 1, z ) E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
22 Statistické inference pro ortogonální regresní přímku Předpoklad: normální rozdělení (Z 1, Z ) N n [ (µ, ν ), σ I ] ekvivalentní s požadavkem, aby 3-složková kompozice měla normální nebo lognormální rozdělení na simplexu (Aitchison a Shen, 1980; Mateu-Figueras a Pawlowsky-Glahn, 008). E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
23 Statistické inference pro ortogonální regresní přímku Obvykle prováděny pro směrnici přímky pro velké výběry nalezeny intervaly spolehlivosti a testová statistika - založeny na ML (Kendall a Stuart, 1967) intervaly spolehlivosti při velkých i malých výběrech - založeny na PCA (Jolicoeur, 1968) testová statistika při velkém výběru - založena na PCA (Jackson and Dunlevy, 1988) E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 0 / 34
24 Statistické inference užitím lineárního modelu Lze provést libovolné standardní inference pro regresní přímku intervaly spolehlivosti pro úsek a směrnici testování hypotéz o úseku a směrnici pás spolehlivosti pro ortogonální regresní přímku elipsy spolehlivosti pro bezchybné hodnoty Odhad ortogonální regresní přímky Elipsy spolehlivosti pro bezchybné hodnoty Pás spolehlivosti pro přímku transformace podle rotace (z 1, z ) jednoznačná zpětná transformace na simplex E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 1 / 34
25 Analýza věkové struktury populace zemí OSN Složky kompozic x1 mladší 15 let x let x3 starší 60 let x 3 x 1 x E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 / 34
26 Analýza věkové struktury populace zemí OSN Složky kompozic x1 mladší 15 let x let x3 starší 60 let x 3 Ilr transformace do ortonormálních souřadnic z 1 = 3 ln x 1 x x 3, z = 1 ln x x 3. x 1 x E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 3 / 34
27 Analýza věkové struktury populace zemí OSN Složky kompozic x1 mladší 15 let x let x3 starší 60 let Ilr transformace do ortonormálních souřadnic x z 1 = 1 ln, 3 x x 3 z = 1 ln x x 3. z z 1 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 4 / 34
28 Analýza věkové struktury populace zemí OSN Složky kompozic x1 mladší 15 let x let x3 starší 60 let Ilr transformace do ortonormálních souřadnic x z 1 = 1 ln, 3 x x 3 z = 1 ln x x 3. Ortogonální regresní přímka z = z 1 z z 1 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 5 / 34
29 Kompoziční regresní přímka x 3 x 1 x E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 6 / 34
30 Složky kompoziční regresní přímky y 1 mladiství y střední generace y 3 senioři Očekávané podíly věkových skupin při přechodu od států s převažující mladistvou populací k zemím s převažujícími seniory E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 7 / 34
31 Odhad ortogonální regresní přímky: iterační algoritmus Kritérium konvergence: β i β i 1 E < iterací Odhad regresní přímky: z = z 1 Směrodatné odchylky odhadů: 0.014, 0.07 Testy významnosti regresních parametrů: p-value<< Shapiro-Wilkův test normality: p-value=0.845 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 8 / 34
32 95% pásy spolehlivosti pro ortogonální regresní přímku každý bod samostatně z z 1 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 9 / 34
33 95% pásy spolehlivosti pro ortogonální regresní přímku každý bod samostatně sdružený pás spolehlivosti Pásy spolehlivosti velmi úzké a skoro splývají = Vysoká přesnost určení ortogonální regresní přímky. z z 1 E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
34 95% pásy spolehlivosti pro kompoziční regresní přímku x 3 x 1 x E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
35 Srovnání různých přístupů k ortogonální regresi 95% interval spolehlivosti pro směrnici přímky Metoda Interval spolehlivosti Délka intervalu Linearní model (0.8695, ) Ortogonální regrese (ML) (0.8703, ) Ortogonální regrese (PCA) (0.8698, 0.980) Intervaly skoro splývají - velký výběr (196 pozorování) E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust 01 3 / 34
36 Závěr Ortogonální regrese je vhodná technika pro analýzu vztahu mezi složkami kompozičních dat postup: ilr transformace + ortogonální regrese Modelovat ve smyslu ortogonální regrese lze i využitím teorie lineárních modelů. E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
37 Základní literatura Fišerová, E., Hron, K. (010) Total least squares solution for compositional data using linear models. Journal of Applied Statistics, 37: Fišerová, E., Hron, K. (01) Statistical inference in orthogonal regression for three-part compositional data using linear models using a linear model with type-ii constraints. Communications in Statistics - Theory and Methods. 41 (13-14), Kendall, M.G., Stuart, A. (1967) The advanced theory of statistics, vol. Charles Griffin, London. Kubáček, L., Kubáčková, L., Volaufová, J. (1995) Statistical models with linear structures. Veda, Bratislava. Jolicoeur, P. (1968) Interval estimation of the slope of the major axis of a bivariate normal distribution in the case of a small sample. Biometrics, 4, Jackson, J.D. and Dunlevy, J.A. (1988) Orthogonal least squares and the interchangeability of alternative proxy variables in the social sciences. Journal of the Royal Statistical Society. Series D 37, No. 1, E. Fišerová a K. Hron (UP Olomouc) OR pro 3-složkové kompoziční data Robust / 34
Klasická a robustní ortogonální regrese mezi složkami kompozice
Klasická a robustní ortogonální regrese mezi složkami kompozice K. Hrůzová, V. Todorov, K. Hron, P. Filzmoser 13. září 2016 Kompoziční data kladná reálná čísla nesoucí pouze relativní informaci, x = (x
VíceEKONOMICKÁ APLIKACE KOMPOZIČNÍHO REGRESNÍHO MODELU
EKONOMICKÁ APLIKACE KOMPOZIČNÍHO REGRESNÍHO MODELU Klára Hrůzová 1,2, Karel Hron 1,2 1 Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, Univerzita Palackého v Olomouci 2 Katedra
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceAplikace T -prostorů při modelování kompozičních časových řad
Aplikace T -prostorů při modelování kompozičních časových řad P. Kynčlová 1,3 P. Filzmoser 1, K. Hron 2,3 1 Department of Statistics and Probability Theory Vienna University of Technology 2 Katedra matematické
VíceLINEÁRNÍ MODELY. Zdeňka Veselá
LINEÁRNÍ MODELY Zdeňka Veselá vesela.zdenka@vuzv.cz Genetika kvantitativních vlastností Jednotlivé geny nejsou zjistitelné ani měřitelné Efekty většího počtu genů poskytují variabilitu, kterou lze většinou
Vícekompoziční data s aplikací v metabolomice
Metoda dílčích nejmenších čtverců pro kompoziční data s aplikací v metabolomice Karel Hron a,b, Peter Filzmoser c, Lukáš Najdekr d a Katedra matematické analýzy a aplikací matematiky b Katedra geoinformatiky
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceMetoda backward výběru proměnných v lineární regresi a její vlastnosti
Metoda backward výběru proměnných v lineární regresi a její vlastnosti Aktuárský seminář, 13. dubna 2018 Milan Bašta 1 / 30 1 Metody výběru proměnných do modelu 2 Monte Carlo simulace, backward metoda
VíceKVADRATICKÁ KALIBRACE
Petra Širůčková, prof. RNDr. Gejza Wimmer, DrSc. Finanční matematika v praxi III. a Matematické modely a aplikace 4. 9. 2013 Osnova Kalibrace 1 Kalibrace Pojem kalibrace Cíle kalibrace Předpoklady 2 3
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceAlternativní přístup k analýze vícefaktorových dat
Alternativní přístup k analýze vícefaktorových dat Kamila Fačevicová 1, Peter Filzmoser 2, Karel Hron 1 1 Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta Univerzity Palackého
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
VícePOLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
VícePředzpracování kompozičních dat
Předzpracování kompozičních dat Karel Hron Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta Univerzity Palackého, Olomouc Robust 2012, Němčičky, 10. září 2012 Karel Hron (UP) Předzpracování
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceRobust 2014, 19. - 24. ledna 2014, Jetřichovice
K. Hron 1 C. Mert 2 P. Filzmoser 2 1 Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta, Univerzita Palackého, Olomouc 2 Department of Statistics and Probability Theory Vienna University
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VícePOŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY
POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY Bakalářský studijní program B1101 (studijní obory - Aplikovaná matematika, Matematické metody v ekonomice, Aplikovaná matematika pro řešení krizových situací)
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceZpracování digitalizovaného obrazu (ZDO) - Popisy III
Zpracování digitalizovaného obrazu (ZDO) - Popisy III Statistické popisy tvaru a vzhledu Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce KALIBRACE
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceStatistická analýza dat v psychologii. Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead
PSY117/454 Statistická analýza dat v psychologii Přednáška 8 Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Barevná srdíčka kolegyně
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
Vícedat Robust ledna 2018
Analýza prostorově závislých funkcionálních dat V. Římalová, A. Menafoglio, A. Pini, E. Fišerová Robust 2018 25. ledna 2018 Motivace Data a náhled lokace Měsíční měření (březen-říjen 2015 a 2016) 5 chemických
VíceTestování předpokladů pro metodu chain-ladder. Seminář z aktuárských věd Petra Španihelová
Testování předpokladů pro metodu chain-ladder Seminář z aktuárských věd 4. 11. 2016 Petra Španihelová Obsah Datová struktura Posouzení dat Předpoklady metody chain-ladder dle T. Macka Běžná lineární regrese
VíceModelování sesuvu svahu v Halenkovicích pomocí metody kriging
Modelování sesuvu svahu v Halenkovicích pomocí metody kriging Robert Zůvala, Eva Fišerová Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci ROBUST
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceNumerické metody a programování. Lekce 4
Numerické metody a programování Lekce 4 Linarní algebra soustava lineárních algebraických rovnic a 11 a 12 x 2 a 1, N x N = b 1 a 21 a 22 x 2 a 2, N x N = b 2 a M,1 a M,2 x 2 a M,N x N = b M zkráceně A
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Kalibrace a limity její přesnosti Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceSVD rozklad a pseudoinverse
SVD rozklad a pseudoinverse Odpřednesenou látku naleznete v kapitole 12 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 19.12.2016: SVD rozklad a pseudoinverse 1/21 Cíle
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
Více2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC
.6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom
VíceAVDAT Mnohorozměrné metody metody redukce dimenze
AVDAT Mnohorozměrné metody metody redukce dimenze Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování vlastní čísla a vlastní vektory A je čtvercová matice řádu n. Pak
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceBakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika. 1 Úvodní poznámky. Verze: 13. června 2013
Bakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika Podrobnější rozpis okruhů otázek pro třetí část SZZ Verze: 13. června 2013 1 Úvodní poznámky 6 Smyslem SZZ by nemělo být toliko
VíceLineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
VíceStrukturální regresní modely. určitý nadhled nad rozličnými typy modelů
Strukturální regresní modely určitý nadhled nad rozličnými typy modelů Jde zlepšit odhad k-nn? Odhad k-nn konverguje pro slušné k očekávané hodnotě. ALE POMALU! Jiné přístupy přidají předpoklad o funkci
VíceCo je obsahem numerických metod?
Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceFaster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
VíceTeorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných)
Teorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných) 1. SPECIFIKACE (12 bodů): (1) Graf průběhu proměnných (1) Obě řady se chovají stejně, lze předpokládat jejich lineární vztah
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceÚloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté
Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0
VíceMgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel
Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014 1. Obor reálných čísel - obor přirozených, celých, racionálních a reálných čísel - vlastnosti operací (sčítání, odčítání, násobení, dělení) -
VíceFaktorová analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz J. Neubauer, J. Michálek (Katedra ekonometrie UO) 1 / 27 úvod Na sledovaných objektech
VíceTestování změn v binárnách autoregresních modelech Šárka Hudecová 1/ 36
Testování změn v binárnách autoregresních modelech Šárka Hudecová KPMS MFF UK ROBUST 2012 Němčičky 9. 14.9.2012 Testování změn v binárnách autoregresních modelech Šárka Hudecová 1/ 36 Uvažovaná situace
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
Vícepřesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření
VíceStatistická analýza dat
Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte
VíceKorelační a regresní analýza
Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceDRN: Soustavy linárních rovnic numericky, norma
DRN: Soustavy linárních rovnic numericky, norma Algoritmus (GEM: Gaussova eliminace s částečným pivotováním pro převod rozšířené regulární matice na horní trojúhelníkový tvar). Zadána matice C = (c i,j
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Tvorba nelineárních regresních modelů v analýze dat Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza
VíceVYBRANÉ DVOUVÝBĚROVÉ TESTY. Martina Litschmannová
VYBRANÉ DVOUVÝBĚROVÉ TESTY Martina Litschmannová Obsah přednášky Vybrané dvouvýběrové testy par. hypotéz test o shodě rozptylů (F-test), testy o shodě středních hodnot (t-test, Aspinové-Welchův test),
VíceStátní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
Více