Generování dvojrozměrných rozdělení pomocí copulí

Podobné dokumenty
PRAVDĚPODOBNOST A STATISTIKA

12. N á h o d n ý v ý b ě r

Úvod do korelační a regresní analýzy

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

Metody zkoumání závislosti numerických proměnných

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

1. Základy měření neelektrických veličin

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

a další charakteristikou je četnost výběrového souboru n.

S1P Popisná statistika. Popisná statistika. Libor Žák

Testování statistických hypotéz

, jsou naměřené a vypočtené hodnoty závisle

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Náhodný výběr 1. Náhodný výběr

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Spolehlivost a diagnostika

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.

PRAVDĚPODOBNOST A STATISTIKA

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Odhady parametrů 1. Odhady parametrů

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n

PRAVDĚPODOBNOST A STATISTIKA

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

Optimalizace portfolia

Přednáška č. 2 náhodné veličiny

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA

Lineární regrese ( ) 2

4.2 Elementární statistické zpracování Rozdělení četností

VY_52_INOVACE_J 05 01

[ jednotky ] Chyby měření

Úvod do teorie měření

9. Měření závislostí ve statistice Pevná a volná závislost

Spojitost a limita funkcí jedné reálné proměnné

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

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

Pravděpodobnost a aplikovaná statistika

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů

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

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

PRAVDĚPODOBNOST A STATISTIKA

Interpolace a aproximace. Interpolace algebraickým polynomem a aproximace metodou nejmenších čtverců

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

Mendelova univerzita v Brně Statistika projekt

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat

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

MATICOVÉ HRY MATICOVÝCH HER

PRAVDĚPODOBNOST A STATISTIKA

Chyby přímých měření. Úvod

V. Normální rozdělení

11. Popisná statistika

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY. Přírodovědecká fakulta ANALÝZA DAT. 2. upravené vydání. Josef Tvrdík

Testy statistických hypotéz

Regresní a korelační analýza

Doc. Ing. Dagmar Blatná, CSc.

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

Iterační metody řešení soustav lineárních rovnic

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

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

Komplexní čísla. Definice komplexních čísel

11. Časové řady Pojem a klasifikace časových řad

P1: Úvod do experimentálních metod

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

8. Zákony velkých čísel

Úloha III.S... limitní

2. Vícekriteriální a cílové programování

Jednoduchá lineární regrese

IV. MKP vynucené kmitání

Náhodné jevy, jevové pole, pravděpodobnost

8. Analýza rozptylu.

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. Josef Tvrdík

Pravděpodobnost a aplikovaná statistika

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).

4. B o d o v é o d h a d y p a r a m e t r ů

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č.

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Téma 11 Prostorová soustava sil

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze

1.1 Definice a základní pojmy

Odhady a testy hypotéz o regresních přímkách

SP2 Korelační analýza. Korelační analýza. Libor Žák

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl:

14. B o d o v é o d h a d y p a r a m e t r ů

Fakulta elektrotechniky a informatiky Statistika STATISTIKA

FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL

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

FLUORIMETRIE. Jan Fähnrich. Obecné základy

Transkript:

Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA

OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta Copule a rze rostoucí (mootóí) trasformace 3 aussova copule 4 umbelova copule 3 O korelačích koefcetech 3 Pearsoův korelačí koefcet 3 Spearmaův korelačí koefcet 3 POSTUP ŘEŠENÍ 4 ZÁVĚR Použtá lteratura

CÍL PRÁCE Vgeerovat áhodá čísla {(, Y )}, tak ab { } měl dstrbučí fukc F ( ) a { Y } měl dstrbučí fukc ( ) a přtom bl závslé TEORIE Metoda verzí trasformace Náhodá čísla {, =, K, } z rozděleí s dstrbučí fukcí ( ) ásledově: ) Vgeerujeme čísla { U,, K, } = z rovoměrého rozděleí a <0,> ) Provedeme trasformac F ( U ), =, K =, F je možo geerovat O copulích Jeda z možostí, jak geerovat dvojce {( )}, je pomocí copulí Y Copule je fukce, která kompletě popsuje závslost uspořádáí Obsahuje formace o spojeí margálích dstrbučích fukcí do jedé sdružeé dstrbučí fukce Teoretck můžeme spojt ěkolk margál s růzým rozděleím s fukcí copule a obdržíme mult-varačí dstrbučí fukc Teore copulí bla popsáa jž v roce 959 (Sklar), cméě aplkace se stává feoméem posledích let Sklarova věta: Každá dstrbučí dvojrozměrá fukce: F, = C F F Y, ( ) ( ) ( ) ( ), kde C je tzv copule tj dvojrozměré rozděleí a čtverc 0, 0, Růzou volbou Copulí, dostáváme růzá dvojrozměrá rozděleí, která ale mají požadovaou F margálí dstrbučí fukc F ( ) a ( ) Charakterstka Sklarov vět: Sklarova věta stojí a faktu, že každá spojtá sdružeá dstrbučí fukce se dá rozložt a jedotlvé margálí dstrbučí fukce a a závslost uspořádáí Margálí dstrbučí fukce eobsahují formace o závslém uspořádáí, což terpretuje copula

Copule a rze rostoucí (mootóí) trasformace Často pro rozhodováí emůžeme použít přímo sebraá data, ale musíme je trasformovat Např: jedu ebo více zájmových proměých trasformujeme pomocí logartmu Nabízí se otázka: Jak odhadout ovou změěou sdružeou dstrbučí fukc? Logartmus je fukce rze rostoucí, proto copule ové sdružeé dstrbučí fukce se ezměí Ted fukce copule je varatí vůč rze rostoucí trasformac, což korespoduje s mšlekou pohlížet a tuto fukc copule jako a závslost uspořádáí Tvrzeí:, Y je vektor spojtých áhodých proměých, který má copul C, α, α jsou rze rostoucí fukce a tervalu obou hodot resp Y Potom platí: ( ) α ( Y ) α, má také copul C Důkaz: F ( ), F ( ) je dstrbučí fukce (, Y ) a ( ), ( ) je dstrbučí fukce α ( ), α ( Y ) (, ) má copul C a ( ) α ( Y ) Potom platí: C = α α, má copul C α [ ( ), ( ) ] = P α ( ) <, α ( Y ) F α ( ), F α = C, C [ < ] = P [ < α ( ), Y < α ( ) ] [ ( ) ( ( )) ] [ ( ) ( ) ] =

3 aussova copule aussova copule je dáa dstrbučí fukcí ( u, v, ), pro hustotu c N ( u, v, ) C ( u, v, ) c N C N = N platí: u v u, v, = ep u~ + v~ uv ~~ ep u~ + v~ ( ) ( ) ( ) Parametr určuje závslost Pozameejme, že pokud ( V ) C N ( u,v, ), pak u ( u), v = Φ ( v) ~ ~ = Φ U, má rozděleí a 0, 0, s dstrbučí fukcí [ = Φ ( U ), Y = Φ ( V )] má dvojrozměré stadardí ormálí rozděleí s korelačím koefcetem u Φ stadardího ormálího rozděleí) ( Φ ( ) začí verzí fukc k dstrbučí fukc ( ) Vgeerovat dvojce { ( U, ) } tak, ab { U } { } V V měl rovoměré rozděleí a tervalu 0, a přtom jejch sdružeé rozděleí a čtverc 0, 0, blo určeo hustotou c N ( u, v, ) je sadé Vgeerujeme dvojce { (, Y ) } z dvojrozměrého ormálího rozděleí N ( 0,0,,, ) a pak provedeme trasformac: U Φ V = Φ = ( ) a ( ) Y Chceme-l geerovat { ( W, ) } rozděleé s dstrbučí fukcí F( w z) C( F ( w) F ( z) ) pak stačí vzít Z W = F ( U ) a Z F ( V ) W = Z, =, w, Přpomeňme, že rozděleí { W } má pak dstrbučí fukc F w ( w) a rozděleí { } dstrbučí fukc F z ( z), Z má z

3000 dvojc z aussov copule 000 dvojc hustot aussov copule

4 umbelova copule V ěkterých případech je třeba vgeerovat dvojce { ( ) } kde se závslost mez a Y měí s hodotam skutečost, že závslost pro všší hodot vz ásledující obrázek a,, Y a Y je všší ež pro meší hodot Y Někd je třeba apříklad zachtt a Y K modelováí takové závslost může sloužt apříklad umbelova copule U, V s rovoměrým margálím rozděleím a t 0, má dvojrozměré Dvojce ( ) rozděleí s umbelovou copulí, jestlže sdružeé dstrbučí fukce ( u v) C ( u, v, ) = ep [( l u) + ( l v) ], 0, 0 v je parametr závslost kde > Podmíěá dstrbučí fukce: C ( v U = u; ) = ep u [( l u) + ( l v) ] C, má tvar: u, l v + lu +, 0 v

Vgeerovat áhodá čísla { ( ) }, z tohoto rozděleí je možo ve dvou krocích: Y ) Vgeerujeme U z rovoměrého rozděleí a tervalu 0, ) Vgeerujeme V z rozděleí s dstrbučí fukcí C ( v U ; ) Čísla V z rozděleí s dstrbučí fukcí C ( v U ; ) lze geerovat tak, že vgeerujeme čísla T z rovoměrého rozděleí a tervalu 0, a položíme: ( T U ; ) V = C K tomu je však potřeba zát verzí fukc C ( t ; ) k dstrbučí fukc U C ( v U ; ) Eplctí vjádřeí fukce C ( t ; ) V hledá řešeím rovce: U ( V U ; ) T C = však eestuje a proto se hodota podměá dst fce umbelov kopule pro u=0000,05,05,075,09999

3 O korelačích koefcetech Závslost obvkle měříme korelačím koefcet: 3 Pearsoův korelačí koefcet Pearsoův korelačí koefcet (PK) pro ( Y ),, (, Y ), K Defce: ( ) ( Y Y ) ρ = ( ) ( Y Y ) Vlastost PK: a) abývá hodot od - do +, které začí perfektí leárí vztah (záporý ebo kladý), b) v případě kladé korelace hodot obou proměých zároveň stoupají, c) v případě záporé korelace hodota jedé proměé stoupá a druhé klesá, d) PK eí varatí vůč mootóím trasformacím, Např: L, L Y má jý PK ež, Y 3 Spearmaův korelačí koefcet Spearmaův korelačí koefcet (SK) pro ( Y ),, (, Y ) Nahradíme pořadím R a Y pořadím R SK je PK pro pořadí ( R R ),,( R, R ), K, K Defce: ( R R) ( R R) ρ = s ( R R) ( R R) SK je varatí vůč mootóím trasformacím

3 POSTUP ŘEŠENÍ Data geerujeme prostředctvím matematckého softwaru MatLab () Vgeerujeme U z rovoměrého rozděleí a tervalu 0, Použtý příkaz: ufrd () Dle 3 stejým způsobem vgeerujeme T z rovoměrého rozděleí a tervalu 0, Použtý příkaz: ufrd () Hledáme hodotu V řešeím eleárí rovce Použtá fukce: fzero C ( V U ; ) = T Fzero zkouší ajít hodotu jedé proměé defovaé fukce, ab bla splěa podmíka f ( ) = 0 Fzero kombuje umercké edervačí metod - metoda bsekce (půleí tervalu), metod verzí kvadratcké terpolace, metoda seče Nutým parametrem fukce fzero je startovací hodota 0 ebo terval platí: f ( a) f ( b) 0 Teto terval v ašem případě ezáme, proto zadáváme startovací hodotu 0 Po zadáí 0, pracuje fzero ve dvou základích krocích: a, b pro který () () Určeí tervalu, kde se alézá ulová hodota řešící daou rovc Ted hledáme terval a, b, pro který platí ásledující: f je spojtá reálá fukce a ( a) f ( b) 0 f a, b, Potom estuje alespoň jedo řešeí rovce f ( ) = 0 a a, b Metodou bsekce se prohledává určeý terval, dokud se epodaří alézt řešeí f ( ) = 0 s dostatečou přesostí

4 ZÁVĚR Podařlo se ám vgeerovat dvojce čísel { ( ) }, s daou závslostí Y Parametr: počet dvojc 000, = Použtá lteratura [] Joe H: Multvarate Models ad Depedece, Cocepts, Chapma, Hall, 997 [] FBubeík: Matematcké vzorce a metod, MPultar, I Pultarová, 00