VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA. VZORCE PRO 4ST201 a 4ST210

Podobné dokumenty
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA. VZORCE PRO 4ST201 a 4ST210

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

1 3VYSOK KOLA EKONOMICK 0 9 V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravd їpodobnosti STATISTIKA VZORCE PRO 4ST201

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE. k bakalářské zkoušce

PRAVDĚPODOBNOST A STATISTIKA. Testy hypotéz

SP2 Korelační analýza. Korelační analýza. Libor Žák

PRAVDĚPODOBNOST A STATISTIKA

SP NV Normalita-vlastnosti

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA


V. Normální rozdělení

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

Intervalové odhady parametrů některých rozdělení.

Základy teorie chyb a zpracování fyzikálních měření Jiří Novák

Pravděpodobnost a aplikovaná statistika

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

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

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

PRAVDĚPODOBNOST A STATISTIKA

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

PRAVDĚPODOBNOST A STATISTIKA

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

8. Analýza rozptylu.


Metody zkoumání závislosti numerických proměnných

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI

Statistická rozdělení

Pravděpodobnost a aplikovaná statistika

Testujeme hypotézu: proti alternativě. Jednoduché třídění:

Geometrické modelování. Diferenciáln

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

PRAVDĚPODOBNOST A STATISTIKA

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

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

12. N á h o d n ý v ý b ě r

3. Charakteristiky a parametry náhodných veličin

PRAVDĚPODOBNOST A STATISTIKA


Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Lineární a adaptivní zpracování dat. 12. Adaptivní filtrace a predikce III.


PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

8. cvičení 4ST201. Obsah: Neparametrické testy. Chí-kvadrát test dobréshody Kontingenční tabulky Analýza rozptylu (ANOVA) Neparametrické testy

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






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

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

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


Intervalové odhady parametrů

8. cvičení 4ST201-řešení

7 VYUŽITÍ METOD OPERAČNÍ ANALÝZY V TECHNOLOGII DOPRAVY

Interval spolehlivosti pro podíl

Pravděpodobnostní model doby setrvání ministra školství ve funkci

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

STATISTICKÝ ODHAD A TESTOVÁNÍ PRŮKAZNOSTI EKONOMETRICKÉHO MODELU Výběrové metody Výhody a nevýhody Využití při statistické indukci Rozsah výběru

Generování dvojrozměrných rozdělení pomocí copulí

Náhodný výběr 1. Náhodný výběr

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

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

Odhady parametrů 1. Odhady parametrů

Měření závislostí. Statistická závislost číselných znaků

Spolehlivost a diagnostika

Lineární a adaptivní zpracování dat. 11. Adaptivní filtrace a predikce II.

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

8. Odhady parametrů rozdělení pravděpodobnosti

Hartre-Fock method (HF)


Parciální diferenciální rovnice. Dirichletova úloha pro Laplaceovu (Poissonovu) rovnici Rovnice vedení tepla

Přijímací zkouška na navazující magisterské studium 2016

,6 32, ,6 29,7 29,2 35,9 32,6 34,7 35,3

PRAVDĚPODOBNOST A STATISTIKA


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

Přednáška č. 2 náhodné veličiny

Národní informační středisko pro podporu kvality

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

Doc. Ing. Dagmar Blatná, CSc.

Budeme 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)

Téma 6: Indexy a diference

PRAVDĚPODOBNOST A STATISTIKA

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

A. Rozdělení ČŘ podle časového hlediska rozhodného pro zjišťování údajů:

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru

vají statistické metody v biomedicíně

Úvod do korelační a regresní analýzy


Dva případy chybného rozhodnutí při testování: a) Testační statistika padne mimo obor přijetí nulové H hypotézy O, tj.

0,063 0,937 0,063 0, P 0,048 0,078 0,95. = funkce CONFIDENCE.NORM(2α; p(1 p)

} kvantitativní znaky

Úvod do teorie měření

Transkript:

VYOKÁ ŠKOLA EKONOMICKÁ V RAZE FAKULA INFORMAIKY A AIIKY Kaedra sas a pravděpodobos AIIKA VZORCE RO 4 a 4 verze 8 posledí aualzace:. 9. 8 K 8

opsá sasa p p =,,...,... () () ( ),, z, ( z ) ( z ) ( z), z p H H H p G... R = ma m s s ( ) ( ) ( ) s p s s ( ) s p p s ( ) s s s ( ) s s p p p s s s v

ravděpodobos oče pravděpodobos A ( ) m A ( A) (A B m((a), (B)) (A B) = (A) + (B) (A B) (A B = (A) (B) (A B) = (A) + (B) Náhodé velč () = (X = ) F() = (X ) = ( ) ( X ) ( ) F( ) F( ) E X ( ) ( ) D( X ) E( X ) E( X ) ( ) ( ) f ( ) F( ) f ( ) d F() = (X ) = f () d ( < X ) = f ( ) d F() F(), < < F E( X ) f ( ) d F ( ) D ( X ) f ( ) d f ( ) d DX ( ) ravděpodobosí rozděleí Aleraví rozděleí A() ( ) =,, E(X) = D X ( ) Bomcé rozděleí B(,) ( ) ( ) E X D X ossoovo rozděleí o() () E(X) = e! =,,,...,, N, =,,..., >, D(X) =

pravděpodobos Hpergeomercé rozděleí Hg(M, N, ) M N M ( ), ma,m N,..., m(m, ), < N, M < N N E( X ) M M M N D( X ) N N N N Normovaé ormálí rozděleí N(,) U X - u E(U) = D(U) = ( u) ( u ) u u Normálí rozděleí N(µ, ) -, - µ, > E(X) = D(X) = u F( ) ( u) u X ( X ) ( u U u) ( u) ( u ) Chí-vadrá rozděleí (), N Rozděleí (udeovo) () -, N (ν) = -(ν) F rozděleí (Fsherovo edecorovo) F(,),, N F (, ) F (, ) 3

Maemacá sasa ( X X) Bodové a ervalové odhad paramerů (eorecé erval spolehlvos) sředí hodoa ˆ X N NX ormálí rozděleí a) zámý X u / X u / X u, X u b) ezámý X / X / ~ ( ) X, X obecé rozděleí, ezámý, velý výběr ( > 3) X u / E( X ) X u / X u E( X ), E( X ) X u rozpl (ormálí rozděleí) ˆ aramer aleravího rozděleí (odhad relaví čeos záladího souboru) ˆ = N N ( ) ( ) u / u / ( ) ( ) u u 4

esováí sascých hpoéz ředí hodoa ormálího rozděleí maemacá sasa H H esové rérum Krcý obor = > < zámý U X U ~ N(,) ezámý X ředí hodoa, obecé rozděleí, velý výběr ~ ( ) W ={u; u u-} W ={u; u -u-} W ={u; u u-/} W ={; -} W ={; --} W ={; -/} H H esové rérum Krcý obor E(X) = E(X) > E(X) < E(X) ezámý ( > 3) U X U N(,) aramer aleravího rozděleí (velé výběr W ={u; u u-} W ={u; u -u-} W ={u; u u-/} H H esové rérum Krcý obor = > W ={u; u u-} U U N(,) < ( ) W ={u; u -u-} W ={u; u u-/} Rovos sředích hodo dvou rozděleí velé ezávslé výběr H H esové rérum Krcý obor E(X ) = E(X ) a ezámé E(X ) E(X ) = X X E(X ) > E(X ) E(X ) < E(X ) E(X ) E(X ) U závslé výběr z ormálího rozděleí (párový -es) U N(,) W ={u; u u-} W ={u; u -u-} W ={u; u u-/} H H esové rérum Krcý obor = = > < Chí-vadrá es dobré shod D D ~ ( ) D = X X, =,,..., W ={; -} W ={; --} W ={; -/} H a H esové rérum Krcý obor H: =, =,, H: o H G ( ),, G ( ) W ={g; g -} 5 5

Aalýza závslosí Kogečí abula (r s) r s r s 5 H H esové rérum Krcý obor za o H ( / ) sou r s W ={g; g -} G G ((r )(s )) ezávslé / C G G V G m ( ), m = m (r, s) abula ( ) G Aalýza rozplu =.m +.ν. m..m H H esové rérum Krcý obor = =...= o H W ={F; F F-α} Regrese a orelace regresí příma = + +, Y b b, ˆ ˆ ˆ. m. F v. mmum ( ) s ˆ. s b s ( ) ˆ b ˆ Jé regresí fuce, F ~ F(, ) Y b b b, ˆ ˆ ˆ ˆ Y b b b... b, ˆ ˆ ˆ ˆ... ˆ 6

ˆ ˆ ˆ R = + R R sr p R I sr = ADJ ADJ ( ) I R I p R p s aalýza závslosí R es hpoéz o regresím parameru H H esové rérum Krcý obor = ˆ ~ ( p) s ˆ W ={; -/} es o modelu p = + H H esové rérum Krcý obor = c =... = o H p F R p F ~ F(p, p) W = {F; F F-} orelačí oefce r ( ) ( ) r s ss H H esové rérum Krcý obor ρxy = ρxy r r W ={; -/} ~ ( ) 7

Časové řad 3... 3 d d... d d d... d = 3... Deompozce časové řad = + C + + = C Modelováí redu redové fuce = + ˆ ˆ ˆ = + + ˆ ˆ ˆ ˆ ( ˆ ) ME = Klouzavé průměr m = p +...... ˆ p p m m = p ˆ p p...... p p m Modelováí sezóos Regresí meoda s umělým proměým (leárí red, sezóos dél 4) = + + ε = + + D + D + 3 D 3 + 4 D 4 + * = * + * + * D + * D + 3 * D 3 + * * * ˆ ˆ ˆ 3 s ˆ ˆ ˆ ˆ sˆ,,, 3 ˆ 4 4 4 ˆ s ˆ s ˆ ˆ ˆ s ˆ * 8

Ideí aalýza Idvduálí de edoduché p Q IQ I Ip p Ip p p p p I Q IQ Q Q Q Q I/ I I I... I I / I / / 3/ / / Idvduálí de složeé I. IΣ I Δ I ΣQ Q p IQ. Q Q Q p Q Q IQ Q Q Q Q Q p Q p p Ip p Q p Q Q p ouhré de.. ( ) p Ip p L Ip Q Ip p p Q Ip Ip. Ip ( F ) ( L ) ( ) p I. p I. Q ( L) I p p Q I I I ( F ) ( L ) ( ) p p p p p p p Q ( ) Ip p p Q Ip Ip p p Q p p Q ( ) I I I 9