PRAVDĚPODOBNOST A STATISTIKA

Podobné dokumenty
PRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA

Základy teorie odhadu parametrů bodový odhad

PRAVDĚPODOBNOST A STATISTIKA. Testování hypotéz o rozdělení

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)

Matematika I A ukázkový test 1 pro 2018/2019

Úvod do teorie odhadu. Ing. Michael Rost, Ph.D.

EKONOMICKO-MATEMATICKÉ METODY

PRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady

SÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.

Téma 22. Ondřej Nývlt

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA

Odhad parametrů N(µ, σ 2 )

PRAVDĚPODOBNOST A STATISTIKA

Teoretické modely diskrétních náhodných veličin

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

Podmíněná pravděpodobnost, spolehlivost soustav

Statistika II. Jiří Neubauer

Téma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny

Soustavy lineárních rovnic

Odhad parametrů N(µ, σ 2 )

PRAVDĚPODOBNOST A STATISTIKA

6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.

Teorie her a ekonomické rozhodování. 10. Rozhodování při jistotě, riziku a neurčitosti

Náhodným vektorem rozumíme sloupcový vektor složený z náhodných veličin X = (X 1, X 2,

ANALÝZA ROZPTYLU (Analysis of Variance ANOVA)

Vícekriteriální rozhodování. Typy kritérií

Neparametrické metody

Necht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN

Matematika I A ukázkový test 1 pro 2014/2015

, 4. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv

Matematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a

Přijímací zkouška na navazující magisterské studium 2014

vektor a vrátili jiný vektor. Měli-li jsme jistou pozorovatelnou A, dostali jsme jejím změřením

Soustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.

AVDAT Náhodný vektor, mnohorozměrné rozdělení

Matematika B101MA1, B101MA2

PRAVDĚPODOBNOST A STATISTIKA

Soustavy lineárních rovnic

1 Determinanty a inverzní matice

Odhady Parametrů Lineární Regrese

Poznámky k předmětu Aplikovaná statistika, 4. téma

3 Lineární kombinace vektorů. Lineární závislost a nezávislost

Pravděpodobnost a statistika I KMA/K413

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Oct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A

Odhady - Sdružené rozdělení pravděpodobnosti

Poznámky k předmětu Aplikovaná statistika, 4. téma

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.

1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem

8. Zákony velkých čísel

Základy počtu pravděpodobnosti a metod matematické statistiky

Monte Carlo metody Josef Pelikán CGG MFF UK Praha.

Definice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:

Podobnostní transformace

Čísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)

Regresní a korelační analýza

ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ

Matematické modelování ve stavební fyzice

VĚTY Z LINEÁRNÍ ALGEBRY

Výběrové charakteristiky a jejich rozdělení

PRAVDĚPODOBNOST A STATISTIKA

{ } SYNTÉZA TABULEK PŘECHODŮ 1. NEALGEBRAICKÉ METODY

Obsah. Lineární rovnice. Definice 7.9. a i x i = a 1 x a n x n = b,

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel

(Cramerovo pravidlo, determinanty, inverzní matice)

1 Vektorové prostory.

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

1 Báze a dimenze vektorového prostoru 1

Teoretické modely diskrétních náhodných veličin

Modely pro přežití s možností vyléčení

Nestranný odhad Statistické vyhodnocování exp. dat M. Čada

Co je obsahem numerických metod?

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

Pravděpodobnost a statistika (BI-PST) Cvičení č. 9

3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina

4. Aplikace matematiky v ekonomii

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

2. Schurova věta. Petr Tichý. 3. října 2012

Dodatek 2: Funkce dvou proměnných 1/9

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!

Soustavy linea rnı ch rovnic

30. listopadu Derivace. VŠB-TU Ostrava. Dostupné: s1a64/cd/index.htm.

Univerzita Karlova v Praze procesy II. Zuzana. funkce

ŘADY KOMPLEXNÍCH FUNKCÍ

1 Řešení soustav lineárních rovnic

Metody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce

VI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku

Matematika 2 (Fakulta ekonomická) Cvičení z lineární algebry. TU v Liberci

Porovnání GUM a metody Monte Carlo

Jedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n,

Připomenutí co je to soustava lineárních rovnic

Transkript:

PRAVDĚPODOBNOS A SAISIKA

Regulární systém hustot Vychází se z: -,, P - pravděpodobnostní prostor -, R neprázdná množna parametrů - X X 1,, náhodný vektor s sdruženou hustotou X n nebo s sdruženou pravděpodobnostní unkcí - X X,, X statstka odhad parametru E 1 n X B p,,

Regulární systém hustot Buď X X 1,, X n náhodný vektor, ehož rozdělení závsí na neznámém parametru Nechť estue eho sdružená hustota, která závsí na neznámém parametru Systém hustot F e regulární, platí-l následuící podmínky: 1 Parametrcký prostor R e neprázdná, otevřená množna n nožna R 0 nezávsí na parametru 3 Estue parcáí dervace pro skoro všechna 4 Platí: d 0 5 Integrál J d e konečný a kladný, t 0 J

Poznámky: Integrál uvedený v podmínce 5 se nazývá Fsherova míra normace Poznameneme, že platí: Náhodná proměnná se nazývá skóre Fsherova míra normace d J U,

Fsherova míra normace Poznámky: Podmínku 4 lze vyádřt ve tvaru: d d E 0 edy E U 0 Podmínka 4 odpovídá tomu, že lze zaměnt pořadí dervace a ntegrálu v rovnost d 1

Poznámky: Další vyádření Fsherovy míry normace : Nechť estue: a platí: pak nebol ~ 0 d d J J df J d J Fsherova míra normace D U U E E E J X X X E J

Poznámky: Pokud se edná o dskrétní náhodný vektor s sdruženou pravděpodobnostní unkcí, pak se ntegrály nahradí sčítací mírou: Další vyádření Fsherovy míry normace : J, p F p 0 R p n p p 0 p p p p J p p J Fsherova míra normace

Fsherova míra normace - příklady Příklady Rozhodněte, zda e odpovídaící systém hustot pravděpodobnostní unkce e regulární a stanovte skóre a Fsherovu míru normace a b c d X X ~ B n, n 01 0,1,,n J 1 X ~ Po 1 R 0 N0 0,1, J X ~ N, 1 R R J ~ E 1 R 0 R 0 J

Fsherova míra normace,, Platí: Buď dán náhodný vektor X X1,, X n, ehož rozdělení závsí na neznámém parametru, přčemž e eho sdružená hustota p e eho sdružená pravděpodobnostní unkce Nechť sou velčny nezávslé, přčemž g e hustota velčny X 1,, n Předpokládeme, že systémy hustot g, 1,, n sou regulární Buď J Fsherova míra normace vektoru X, e J Fsherova míra normace velčny X Pak platí: n J t Fsherova míra normace vektoru e součtem Fsherových měr normace ednotlvých složek 1 J

Fsherova míra normace Platí: Buď dán náhodný výběr X, 1, X n z rozdělení s Fsherovou mírou J Nechť e Fsherova míra normace vektoru Pak platí: J J n J Příklad: Vypočtěte Fsherovu míru normace pro výběru z X ~ A p X ~ B n, s pomocí náhodného

Rao-Cramérova věta Věta: Rao-Cramérova Buď dán náhodný vektor X X 1,, X n, ehož rozdělení závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán odhad parametru, nechť X Buď dále X E E X B Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, e Fsher míra estue dervace 3 platí: d d dervace podle parametru Pak pro každé platí : B E X 1 B J J

Rao-Cramérova věta Jná varanta Rao-Cramérovy věty: Buď dán náhodný výběr X, 1, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota X X 1,, X n p sdružená pravděpodobnostní unkce Buď dán odhad parametru, nechť X Buď dále X E E X B Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, J e Fsher míra estue dervace 3 platí: d d dervace podle parametru Pak pro každé platí : B E X 1 B nj X

Rao-Cramérova věta Jná varanta Rao-Cramérovy věty: Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán nestranný odhad parametru, nechť E X X Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, J e Fsher míra platí d d Pak pro každé platí : D X 1 J

Rao-Cramérova věta Jná varanta Rao-Cramérovy věty: Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán nestranný odhad parametrcká unkce, nechť E X X Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, J e Fsher míra platí d d Pak pro každé platí : D X J

Regulární odhad Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán nestranný odhad parametrcká unkce, nechť E X X Pokud platí pak odhad X d d nazýváme regulární Pro regulární odhad platí: d

Regulární odhad - vydatnost 1 B Funkce C se nazývá doí Rao-Cramerová hrance pro J rozptyl regulárního odhadu X 1 Pro nestranný odhad má tvar: C J Pro nestranný regulární odhad se číslo nazývá vydatnost 1 Pokud n 1 tedy D X, pak se odhad nazývá vydatný J Pokud lm n n 1 0 1 n n 1 J D X, pak se odhad nazývá asymptotcky vydatný

Regulární odhad - příklady Příklad: Nechť X,, X n e náhodný výběr z rozdělení: X ~ A p 1 n 1 Pak statstka X X X e nestranný, regulární a vydatný odhad p n 1 Příklad: Nechť X, 1, X n e náhodný výběr z rozdělení: X ~ N, n 1 Pak statstka X X X e nestranný, regulární a vydatný odhad n 1

Regulární systém hustot pro vektor parametrů Buď X X 1,, X n náhodný vektor, ehož rozdělení závsí na neznámých m parametrech Θ, Θ R,,, Nechť estue eho sdružená hustota parametrech,, Systém hustot 1 m F Θ,, která závsí na neznámých e regulární, platí-l následuící podmínky: 1 Parametrcký prostor Θ e neprázdná, otevřená množna n nožna R 0 nezávsí na parametrech Θ, Θ 3 Estue parcáí dervace pro skoro všechna 4 Platí: d 0 Θ, 5 Integrál J, d e konečný a kladný, t 0, a matce J 1 m e poztvně dentní 1 m J, J 1 m m R Θ,

Poznámky: atce uvedená v podmínce 5 se nazývá Fsherova normační matce Jné vyádření: Náhodný vektor, kde se nazývá skórový vektor Fsherova normační matce m m J 1 1, J d J, U X X X U,U m, 1 U E J, X X

Fsherova normační matce Poznámky: podmínku 4 lze psát ve tvaru: E U,, E U 0,,0 E U 1 m Fsherovu normační matce lze psát ve tvaru: J C U, U, J D U, tedy var J, U J

Platí: Nechť systém hustot e regulární, estuí dervace a platí Pak nebo Fsherova míra normace Θ F, d J, U E E J, X 0,,, Θ d df

Regulární odhad - příklady Příklad: Nechť X ~ N,,, Spočtěte skórový vektor a Fscherovu normační matc Příklad: Nechť X ~ N,,, Spočtěte skórový vektor a Fscherovu normační matc

Fsherova míra normace Platí: Buď dán náhodný výběr X, 1, X n z rozdělení s Fsherovou matcí J Nechť e Fsherova matce normace vektoru Pak platí: J J n J

Fsherova normační matce Buď X X 1,, X n náhodný vektor, ehož rozdělení závsí na neznámých m parametrech Θ, Θ R,,, Nechť 1,, Odhad platí: m 1,, m 1 m e statstka nestranný odhad Θ, Θ se nazývá regulární, pokud pro, =1,,m d d m R

Rao-Cramérova věta Rao-Cramérova věta: Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na m neznámé parametrcké unkc Θ,, Θ R, přčemž, e eho sdružená hustota p sdružená pravděpodobnostní unkce Nechť 1,, m estuí dervace Buď dán nestranný odhad Nechť dále platí následuící podmínky: parametrcké unkce 1 systém hustot F Θ e regulární, e Fsher matce platí d d Pak pro každé Θ platí : kde h 1,, m X J 1 X h J h D

Rao-Cramérova věta Rao-Cramérova věta: Buď dán náhodný vektor X, 1, X n náhodný výběr z rozdělení, enž závsí m na neznámé parametrcké unkc Θ,, Θ R, přčemž, e eho sdružená hustota p sdružená pravděpodobnostní unkce Nechť 1,, m estuí dervace Buď dán nestranný odhad Nechť dále platí následuící podmínky: parametrcké unkce 1 systém hustot F Θ e regulární, e Fsher míra platí d d Pak pro každé Θ platí : kde h 1,, m X 1 n J 1 X h J h D

Regulární odhad - vydatnost 1 1 Funkce C h J h se nazývá doí Rao-Cramerová hrance pro n rozptyl nestranného regulárního odhadu Pro nestranný regulární odhad X se číslo h J nazývá vydatnost 0 1 n n 1 n 1 h C X D X D n 1 1 h Pokud tedy D X h J, pak se odhad nazývá vydatný Pokud lm n n 1, pak se odhad nazývá asymptotcky vydatný

Regulární odhad - příklady Příklad: Nechť X, 1, X n e náhodný výběr z rozdělení: X ~ N,, Spočtěte doí Rao-Cramerová hranc pro rozptyl nestranného regulárního odhadu pro a, b, c, Příklad: Nechť X, 1, X n e náhodný výběr z rozdělení: X ~, Spočtěte vydatnost pro bodové odhady a X X b X S N,