Exaktné testy a konfidencné oblasti pre parametre normálneho lineárneho modelu s dvomi variancnými komponentami
|
|
- Margita Dostalová
- pred 4 rokmi
- Prehliadani:
Prepis
1 1 Práca vznikla v spolupráci s J. Volaufovou (School of Public Health, LSU Health Sciences Center, New Orleans, USA a vd aka podpore grantov APVV , VEGA 2/0019/10 a VEGA 2/0038/12 Exaktné testy a konfidenčné oblasti pre parametre normálneho lineárneho modelu s dvomi variančnými komponentami Viktor WITKOVSKÝ 1 Ústav merania SAV, Bratislava witkovsky@savba.sk ROBUST letná škola JČMF, , Němčičky, ČR
2 Abstrakt V príspevku popíšeme metódu konštrukcie konfidenčných oblastí založených na invertovaní exaktných testov založených na funkcii podielu vierohodností (LRT/RLRT pre parametre normálneho regresného modelu s dvomi variančnými komponentami Y N n(xβ,σ 2 W(λ, kde X je známa (n p matica, β R p je neznámy vektor parametrov a σ 2 W(λ = σ 2 (I n +λv je kovariančná matica, pričom V je známa nezáporne definitná matica, ktorá závisí od neznámych parametrov σ 2 > 0 a λ 0. Práca nadväzuje na publikácie: Crainiceanu - Ruppert (JRSS 2004, Chvosteková - Witkovský (MSR 2009, Volaufová - Witkovský (TMMP 2012, Witkovský - Volaufová (LINSTAT V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
3 Motivácia 7 Likelihood based Region for (σ B 2, σ σ σ A Obr.: Ilustračný príklad: Exaktné konfidenčné oblasti pre variančné komponenety normálneho lineárneho modelu s dvomi variančnými komponentami V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
4 Obsah 1 Úvod 2 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Značenie a štandardné výsledky Hypotéza 1: H 1 0 : θ = θ 0 a λ = λ 0 Hypotéza 2: H 2 0 : θ = θ 0 a λ = λ 0 a σ 2 = σ 2 0 Hypotéza 3: H 3 0 : λ = λ 0 Hypotéza 4: H 4 0 : λ = λ 0 a σ 2 = σ 2 0 Pravdepodobnost nulového odhadu ML/REML parametra λ 3 Štandard asymptotické aproximácie 4 Empirická evidencia 5 Neštandardné asymptotické aproximácie Špeciálne prípady Vyvážený ANOVA model jednoduchého triedenia s náhodnými efektami V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
5 Úvod Uvažujme normálny lineárny regresný model s dvomi variančnými komponentami kde Y je n-rozmerný vektor pozorovaní; Y N n(xβ,σ 2 W(λ, X je známa (n p matica, pričom rank(x = r X p; β R p je neznámy vektor parametrov; σ 2 W(λ = σ 2 (I n +λv je kovariančná matica, ktorá závisí od parametrov σ 2 > 0 a λ 0. V je známa n.n.d. matica, R(V R(X. Často platí, že V = ZZ pre nejakú (n k maticu Z, pričom rank(v = r V k. Špeciálnym prípadom modelu je lineárny zmiešaný model (LMM s dvomi variančnými komponentami: Y = Xβ + Zu +ε, kde u N(0,σ 2 BI k a ε N(0,σ 2 I n, u ε. λ = σ2 B reprezentuje podiel variančných komponentov. σ 2 V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
6 Úvod V príspevku budeme prezentovat tvar štatistík podielom vierohodností (LRT/RLRT a ich exaktné rozdelenie (za platnosti nulovej hypotézy pre testovanie týchto hypotéz: Hypotéza 1: H0 1 : θ = θ 0 a λ = λ 0 Hypotéza 2: H0 2 : θ = θ 0 a λ = λ 0 and σ 2 = σ0 2 Hypotéza 3: H0 3 : λ = λ 0 Hypotéza 4: H0 4 : λ = λ 0 a σ 2 = σ0 2 kde θ = H β, θ 0 = H β 0, H R(X je známa matica, pričom rank(h = r H r X. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
7 Úvod Exaktné (nulové rozdelenie LRT/RLRT štatitík pre testovanie hypotéz H 1 0 a H 3 0 odvodili Crainiceanu a Ruppert (JRSS V príspevku uvedieme alternatívnu reprezentáciu testovacích štatistík a ich nulové rozdelenie, založené na výsledkoch: Volaufová (Probastat 2011, Volaufová (IWMS 2011 a Volaufová and Witkovský (TMMP Vo všeobecnosti neexistuje jednoduchá analytická reprezentácia exaktných distribučných funkcií (CDF štatistík LRT/RLRT, ktorá by bola vhodná na (rýchle numerické výpočty. Kvantily exaktných rozdelení LRT/RLRT možno odhadnút z empirických distribučných funkcií, získaných pomocou simulácií. Takýto spôsob výpočtu je výpočtovo náročný, ked že v každom kroku simulácie je potrebná numerická optimalizácia (hl adanie maxima v 1-rozmernom priestore. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
8 Úvod Pre štatistiky LRT/RLRT budeme používat nasledovné označenie: ( LR i (Y H0 i ϑ i 0 = 2 sup H i l(β,λ,σ 2 Y supl(β,λ,σ 2 Y i = 1, 2, 3, 4 0 LR j R (Y Hj 0 ϑj 0 (sup = 2 j H l R (λ,σ 2 Y supl R (λ,σ 2 Y, j = 3, 4 0 ϑ 1 0 = (θ 0,λ 0, ϑ 2 0 = (θ 0,λ 0,σ 2 0, ϑ3 0 = λ 0, ϑ 4 0 = (λ 0,σ 2 0, l(β,λ,σ 2 Y, resp. l R (λ,σ 2 Y, je logaritmus funkcie vierohodnosti modelu (log-likelihood resp. restricted log-likelihood. Motiváciou a konečným ciel om tejto práce je konštrukcia simultánnych konfidenčných oblastí pre parametre modelu pomocou invertovania exaktných testov LRT/RLRT: C i (Y = { ϑ i 0 : LR i (Y ϑ i 0 LR i 1 α(ϑ i 0 }, i = 1, 2, 3, 4 { } C j R (Y = ϑ j 0 : LRj R (Y ϑj 0 LRj R,1 α (ϑj 0, j = 3, 4 LR i 1 α (ϑi 0 a LRj R,1 α (ϑj 0 sú (1 α-kvantily nulového rozdelenia LRi (Y H i 0 resp. LR j R (Y Hj 0. Vo všeobecnosti, exaktné nulové rozdelenie LR i (Y H i 0 resp. LR j R (Y Hj 0 závisí od parametrov ϑ i 0 H i 0. Ako však ukážeme, exaktné rozdelenie LRT/RLRT štatistík pre testovanie uvedených hypotéz závisí len od hodnoty λ 0 H i 0. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
9 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Značenie a štandardné výsledky Budeme používat nasledujúce označenia: M X = I n P X, kde P X = X(X X X a rank(m X = r MX = n r X. Ked že R(H R(X, potom existuje matica G, R(G R(X taká, že H = X G, napr. G = X(X X H. M G = I n P G, kde P G = G(G G G, pričom rank(p G = r H. X = M G X = X X, kde X = P G X, rank(x = r H a rank(x = r X r H. M X = I P X, kde P X = X (X X X a rank(p X = r X r H a rank(m X = n r X + r H. M X M X = P X = X (X X 1 X, kde rank(p X = r H. Ekvivalencia podpriestorov Afinná množina stredných hodnôt náhodného vektora Y je posunutý lineárny podpriestor, parametrizovaný vektorom parametrov γ bez d alších obmedzení, t.j. {Xβ : H β = H β 0 } = Xβ 0 +{X γ : γ R r X r H }, kde X = M G X, and any β 0 H i 0, i = 1, 2. Viac podrobnosti možno nájst napr. v prácach Christensen (1987, alebo LaMotte (1998. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
10 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Značenie a štandardné výsledky Spektrálny rozklad matice V a výpočet podielu determinantov W(λ 0 / W(λ. Nech 0 ξ 1 < ξ 2 < < ξ s označujú rôzne vlastné čísla matice V s násobnost ami ν ξi pre ξ i. Platí, že nenulové vlastné čísla matíc V a Z Z sú rovnaké. Potom, pre W(λ = I n +λv dostávame log log( W(λ = ( W(λ0 W(λ = s ν ξi log(1+λξ i s ( 1+λ0 ξ i ν ξi log 1+λξ i Uvedené výrazy závisia iba od nenulových vlastných čísel ξ i matice V. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
11 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Značenie a štandardné výsledky Pre l ubovol né λ 0 označme ˆσ 2 λ = 1 n Y (M X W(λM X + Y. Rozdelenie odhadu ˆσ λ. 2 Nech B VB = r µiei je spektrálny rozklad, kde B je n (n r X-matica, že BB = M X, B B = I n rx, 0 = µ 0 < µ 1 < < µ r označujú rôzne vlastné čísla matice B VB s násobnost ami ν µi pre µ i a E i sú navzájom ortogonálne projekčné matice. Platí, že nenulové čísla matíc B VB a Z M X Z sú rovnaké. Podl a Olsen, Seely, and Birkes (1976 platí, že Y BE ib Y σ 2 0(1+λ 0 µ iq νµi, i = 0, 1,...,r je množina r + 1 navzájom nezávislých náhodných premenných, pričom Q νµi χ 2 ν µi, kde λ 0,σ0 2 sú skutočné hodnoty parametrov. Odtial pomocou vzt ahov (M X W(λM X + = B(B W(λB 1 B a W(λ = I n +λv dostávame nˆσ 2 λ σ 2 0 r (1+λµ i (1+λ 0 µ i Qνµi. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
12 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Značenie a štandardné výsledky Pre λ 0 H i 0, i = 1, 2 označme ˆσ 2 λ 0 = 1 n Y (M X W(λ 0 M X + Y, σ 2 λ 0 = 1 n Y (M X W(λ 0 M X + Y, kde X = M G X a Y = Y Xβ 0, pre l ubovol né β 0 H i 0 (akákol vek vol ba β 0 = (H θ 0. Rozdelenie odhadu σ 2 λ 0 ˆσ 2 λ 0 za platnosti H i 0, i = 1, 2. Ked že platí R(G R(X, dostávame n σ 2 λ 0 σ 2 0 nˆσ2 λ 0 σ 2 0 = 1 Y [ σ0 2 (MX W(λ 0 M X + (M X W(λ 0 M X +] Y = Y (P X W(λ 0 P X + H0 i Y Q rh, kde Q rh χ 2 r H a λ 0,σ 2 0 označuje skutočné hodnoty parametrov. Navyše, Q rh je náhodná premenná nezávislá so všetkými Q νµi. Viac možno nájst napr. v Crainiceanu and Ruppert (JRSS 2004 a Volaufová (IWMS V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
13 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Hypotéza 1: H 1 0 : θ = θ 0 a λ = λ 0 Test podielom vierohodností LRT hypotézy 1: H 1 0 : θ = θ 0 a λ = λ 0 Na základe predpokladov o modeli a uvedených tvrdení dostávame: LR 1 (Y H0 1 = n log ( σ 2 λ0 { + sup λ 0 n log ( ˆσ λ 2 + s ( } 1+λ0 ξ i ν ξi log 1+λξ i LR 1 (Y H 1 0 n log ( + sup λ 0 Q rh + { n log r Q νi ( r 1+λ 0 µ i 1+λµ i Q νi + s ( } 1+λ0 ξ i ν ξi log 1+λξ i V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
14 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Hypotéza 2: H 2 0 : θ = θ 0 a λ = λ 0 a σ2 = σ 2 0 Test podielom vierohodností LRT hypotézy 2: H 2 0 : θ = θ 0 a λ = λ 0 a σ 2 = σ 2 0 LR 2 (Y H 2 0 = n σ2 λ 0 σ sup λ 0 n(1 log(n { ( nˆσ 2 n log λ σ s ( } 1+λ0 ξ i ν ξi log 1+λξ i LR 2 (Y H 2 0 Q rh + + sup λ 0 r Q νi n(1 log(n { n log ( r 1+λ 0 µ i 1+λµ i Q νi + s ( } 1+λ0 ξ i ν ξi log 1+λξ i V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
15 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Hypotéza 3: H 3 0 : λ = λ 0 Test podielom vierohodností LRT hypotézy 3: H 3 0 : λ = λ 0 LR 3 (Y H0 3 = n log (ˆσ 2 λ0 { + sup λ 0 n log ( ˆσ λ 2 + s ( } 1+λ0 ξ i ν ξi log 1+λξ i ( r LR 3 (Y H0 3 n log Q νi + sup λ 0 { n log ( r 1+λ 0 µ i 1+λµ i Q νi + s ( } 1+λ0 ξ i ν ξi log 1+λξ i V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
16 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Hypotéza 4: H 4 0 : λ = λ 0 a σ2 = σ 2 0 Test podielom vierohodností LRT hypotézy 4: H 4 0 : λ = λ 0 a σ 2 = σ 2 0 LR 4 (Y H 4 0 = nˆσ2 λ 0 σ sup λ 0 n(1 log(n { ( nˆσ 2 n log λ σ s ( } 1+λ0 ξ i ν ξi log 1+λξ i LR 4 (Y H 4 0 r Q νi n(1 log(n + sup λ 0 { n log ( r 1+λ 0 µ i 1+λµ i Q νi + s ( } 1+λ0 ξ i ν ξi log 1+λξ i V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
17 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Hypotéza 4: H 4 0 : λ = λ 0 a σ2 = σ 2 0 Test podielom vierohodností RLRT hypotézy 3: H 3 0 : λ = λ 0 LR 3 R(Y H0 3 = (n r X log (ˆσ 2 λ0 { + sup λ 0 (n r X log ( ˆσ λ 2 + r ( } 1+λ0 µ i ν i log 1+λµ i ( r LR 3 R(Y H0 3 (n r X log Q νi + sup λ 0 { (n r X log ( r 1+λ 0 µ i 1+λµ i Q νi + r ( } 1+λ0 µ i ν i log 1+λµ i V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
18 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Hypotéza 4: H 4 0 : λ = λ 0 a σ2 = σ 2 0 Test podielom vierohodností RLRT hypotézy 4: H 4 0 : λ = λ 0 a σ 2 = σ 2 0 LR 4 R(Y H0 4 = nˆσ2 λ 0 (n r X (1 log(n r X σ sup λ 0 { ( nˆσ 2 (n r X log λ σ r ( } 1+λ0 µ i ν i log 1+λµ i LR 4 R(Y H 4 0 r Q νi (n r X (1 log(n r X + sup λ 0 { (n r X log ( r 1+λ 0 µ i 1+λµ i Q νi + r ( } 1+λ0 µ i ν i log 1+λµ i V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
19 Odvodenie exaktného nulového rozdelenia štatistík LRT/RLRT Pravdepodobnost nulového odhadu ML/REML parametra λ Pr(ˆλ ML = 0 λ 0 & Pr(ˆλ REML = 0 λ 0 Označme f LRT (λ λ 0 = f RLRT (λ λ 0 = { ( r 1+λ 0 µ i s ( } 1+λ0 ξ i n log Q νi + ν ξi log 1+λµ i 1+λξ i { ( r 1+λ 0 µ i r ( } 1+λ0 µ i (n r X log Q νi + ν i log 1+λµ i 1+λµ i Potom ˆλ ML = arg sup λ 0 {f LRT (λ λ 0 }, a ˆλ REML = arg sup λ 0 {f RLRT (λ λ 0 }. Podmienenú pravdepodobnost toho, že ML/REML odhad parametra λ bude 0 pokial skutočný parameter je λ 0, možno odhadnút : ( flrt (λ λ 0 Pr(ˆλ ML = 0 λ 0 Pr λ=0 0 λ ( r = Pr (µ i ξ(1+λ 0 µ iq νi 0 kde ξ = 1 n ( r Pr(ˆλ REML = 0 λ 0 Pr (µ i µ(1+λ 0 µ iq νi 0 s ν ξ i ξ i a µ = 1 r n r X νiµi. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
20 Štandard asymptotické aproximácie Za predpokladu, že požadované predpoklady platia a testovaná hodnota λ 0 je vo vnútri parametrického priestoru, t.j. λ 0 > 0, štandardnou asymptotickou aproximáciou nulového rozdelenia danej LRT/RLRT štatistiky pre dostatočne vel ký rozsah výberu je D LR(Y H 0 χ 2 d, kde d je počet reštrikcií na parametre modelu. Pre λ 0 na hranici parametrického priestoru, t.j. λ 0 = 0, Stram and Lee (Biometrics 1994 navrhli aproximáciu nulového rozdelenia danej LRT/RLRT štatistiky pre dostatočne vel ký rozsah výberu ako zmes rozdelení LR(Y H 0 kde d je počet reštrikcií na parametre modelu. D 0.5χ 2 d 1 : 0.5χ 2 d, Pinheiro and Bates (2000 navrhli aproximáciu nulového rozdelenia danej LRT/RLRT štatistiky pre λ 0 na hranici parametrického priestoru ako zmes rozdelení s rozdielnými váhami: LR(Y H 0 kde d je počet reštrikcií na parametre modelu. D 0.65χ 2 d 1 : 0.35χ 2 d, V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
21 Empirická evidencia Vlastnosti exaktného nulového rozdelenia LRT/RLRT štatistík budeme ilustrovat na špecifickom príkalde: Uvažujme model Y = Xβ + Zu +ε, Uvažujeme tu model vhodný pre výbery z dvoch populácií s rôznym počtom výberových jednotiek (m 1, m 2, tu m = m 1 + m 2 = 5+7 = 12 výberových jednotiek (subjektov, pričom na subjekte i máme T i opakovaných pozorovaní v rôznych časoch, T i {1, 3, 3, 6, 9} pre prvú populáciu, a T i {3, 5, 9, 11, 5, 4, 3} pre druhú populáciu. Pozorovania Y, modelujeme ako Y = [X 1, X 2 ](β 1,β 2, kde Y je n = m Ti = 62 dimenzionálny vektor, X 1 reprezentuje s vysvetl ujúcu premennú (funkciu času a stĺpce X 2 reprezentujú pomocné (dummy premenné pre rozlíšenie dvoch populácií. Teda β 1 je skalár, a β 2 je 2-rozmerný vektor. V tomto modeli uvažujeme ako H 1,2 0 hypotézu, že β 1 = 0. Odozva Y bola modelovaná pomocou modelu s náhodnými koeficientami (intercepts, s (n m maticou Z plnej hodnosti, kde stĺpce reprezentovali pomocné premenné pre m výberových jednotiek (subjektov, t.j. V = ZZ, pričom r V = 12, teda pomocou LMM s dvomi variančnými komponentami. Viac podrobnosti o štruktúre daného modelu možno nájst v práci Volaufová and Witkovský (TMMP V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
22 Empirická evidencia LRT hypotézy 1: H 1 0 : θ = θ 0 a λ = λ 0 1 LRT of Hypothesis 1: H 0 : Xβ = Xβ 0 & λ = λ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 1 (Y H 0 1 pre rôzne hodnoty λ 0, pričom h = r H = 1. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: (i zmes rozdelení 0.5χ 2 (h : 0.5χ 2 (h + 1 a rozdelením χ 2 (h + 1, (ii zmes rozdelení wχ 2 (h : (1 wχ 2 (h + 1, kde w = Pr(ˆλ ML = 0 λ 0 = 0 = a necentrálnym rozdelením χ 2 s odhadnutým parametrom necentrality h+1,δ δ = V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
23 Empirická evidencia LRT hypotézy 1: H 1 0 : θ = θ 0 a λ = λ 0 1 LRT of Hypothesis 1: H 0 : Xβ = Xβ 0 & λ = λ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 1 (Y H 0 1 pre rôzne hodnoty λ 0, pričom h = r H = 1. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: (i zmes rozdelení 0.5χ 2 (h : 0.5χ 2 (h + 1 a rozdelením χ 2 (h + 1, (ii zmes rozdelení wχ 2 (h : (1 wχ 2 (h + 1, kde w = Pr(ˆλ ML = 0 λ 0 = 0 = a necentrálnym rozdelením χ 2 s odhadnutým parametrom necentrality h+1,δ δ = V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
24 Empirická evidencia LRT hypotézy 1: H 1 0 : θ = θ 0 a λ = λ 0 1 LRT of Hypothesis 1: H 0 : Xβ = Xβ 0 & λ = λ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 1 (Y H 0 1 pre rôzne hodnoty λ 0, pričom h = r H = 1. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: (i zmes rozdelení 0.5χ 2 (h : 0.5χ 2 (h + 1 a rozdelením χ 2 (h + 1, (ii zmes rozdelení wχ 2 (h : (1 wχ 2 (h + 1, kde w = Pr(ˆλ ML = 0 λ 0 = 0 = a necentrálnym rozdelením χ 2 s odhadnutým parametrom necentrality h+1,δ δ = V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
25 Empirická evidencia LRT hypotézy 2: H 2 0 : θ = θ 0 a λ = λ 0 a σ 2 = σ LRT of Hypothesis 2: H 0 : Xβ = Xβ 0 & λ = λ 0 & σ 2 = σ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 2 (Y H 0 2 pre rôzne hodnoty λ 0, pričom h = r H = 1. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: zmes rozdelení wχ 2 (h + 1 : (1 wχ 2 (h + 2, kde w = Pr(ˆλ ML = 0 λ 0 = 0 = a necentrálnym rozdelením χ 2 s odhadnutým parametrom necentrality δ = h+2,δ V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
26 Empirická evidencia LRT hypotézy 3: H 3 0 : λ = λ 0 1 LRT of Hypothesis 3: λ = λ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 3 (Y H 3 0 pre rôzne hodnoty λ 0. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: zmes rozdelení wχ 2 (0 : (1 wχ 2 (1, kde w = Pr(ˆλ ML = 0 λ 0 = 0 = a necentrálnym rozdelením χ 2 s odhadnutým parametrom necentrality δ = ,δ V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
27 Empirická evidencia LRT hypotézy 4: H 4 0 : λ = λ 0 a σ 2 = σ LRT of Hypothesis 4: H 0 : λ = λ 0 & σ 2 = σ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 4 (Y H 4 0 pre rôzne hodnoty λ 0. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: zmes rozdelení wχ 2 (1 : (1 wχ 2 (2, kde w = Pr(ˆλ ML = 0 λ 0 = 0 = a necentrálnym rozdelením χ 2 s odhadnutým parametrom necentrality δ = ,δ V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
28 Empirická evidencia RLRT hypotézy 3: H 3 0 : λ = λ 0 1 RLRT of Hypothesis 3: λ = λ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 3 R (Y H3 0 pre rôzne hodnoty λ 0. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: zmes rozdelení wχ 2 (0 : (1 wχ 2 (1, kde w = Pr(ˆλ REML = 0 λ 0 = 0 = a centrálnym rozdelením χ 2 1. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
29 Empirická evidencia Test podielom vierohodností RLRT hypotézy 4: H 4 0 : λ = λ 0 a σ 2 = σ RLRT of Hypothesis 4: H 0 : λ = λ 0 & σ 2 = σ CDF LRT Obr.: Exaktné a približné nulové rozdelenia štatistiky LR 3 R (Y H3 0 pre rôzne hodnoty λ 0. Tenké čiary zobrazujú exaktné CDF pre λ 0 = 0 : 0.05 : 1 (zl ava. Hrubé čiary zobrazujú aproximácie: zmes rozdelení wχ 2 (1 : (1 wχ 2 (2, kde w = Pr(ˆλ REML = 0 λ 0 = 0 = a centrálnym rozdelením χ 2 2. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
30 Neštandardné asymptotické aproximácie Špeciálne prípady Exaktné nulové rozdelenie LR/RLRT štatistík závisí na vlastných číslach µ i,n a ξ j,n matíc modelu pre n-rozmerný vektor Y. Pre testovanie hypotéz H 1 0 a H 3 0, pričom λ 0 = 0, Crainiceanu and Rupert (2004 navrhli asymptotickú aproximáciu, založenú na predpokladoch: Nech rank(v = r V je pevne daná a nech µ i,n lim n lim n n γ ξ i,n n γ pre nejaké γ 0. Potom r LR 1 (Y H0 1 D Q rh + sup λ 0 r LR 3 (Y H0 3 D sup λ 0 { r LRR(Y 3 H0 3 D sup λ 0 = µ i, = ξ i, λµ i, 1+ λµ i, Q νi λµ i, 1+ λµ i, Q νi λµ i, 1+ λµ i, Q νi s ν ξj log(1+ λξ j, j=1 s ν ξj log(1+ λξ j,, j=1 } r ν µi log(1+ λµ i,. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
31 Neštandardné asymptotické aproximácie Vyvážený ANOVA model jednoduchého triedenia s náhodnými efektami Pre ilustráciu uvažujme vyvážený ANOVA model jednoduchého triedenia s náhodnými efektami, s K úrovňami a J pozorovaniami pre každú úroveň. Potom, n = KJ, rank(v = r V = K a zodpovedajúce vlastné čísla sú µ 0,n = 0 s násobnost ou ν µ,0 = n K, µ 1,n = J s násobnost ou ν µ,1 = K 1, ξ 1,n = 0 s násobnost ou ν ξ,1 = n K, ξ 2,n = J s násobnost ou ν ξ,1 = K. Za platnosti nulovej hypotézy H0 3 : λ 0 = 0 exaktné rozdelenie RLRT štatistiky LR 3 R (Y H3 0 je { ( } LRR(Y 3 H0 3 QK 1 n log(q K 1 +Q n K + inf n log λ 0 1+λJ + Q n K K log(1+λj Crainiceanu and Rupert (2004 navrhli asymptotickú aproximáciu rozdelenia pre J a konštantnú hodnotu K ako LR 3 R(Y H 3 0 D {(Q K 1 K K log(q K 1 /K} I(Q K 1 > K, Toto asymptotické rozdelenie má v nule hodnotu rovnú Pr(Q K 1 < K. V. WITKOVSKÝ (ÚM SAV LRT/RLRT & konfidenčné oblasti ROBUST / 29
Viacnásobne použitelné oblasti spolahlivosti pre viacrozmernú kalibráciu
Viacnásobne použitel né oblasti spol ahlivosti pre viacrozmernú kalibráciu Martina Chvosteková Ústav merania Slovenská akadémia vied 22. január, Rekreačné zariadenie Rybník, 2018 Obsah 1 Predpoklady, model
Podrobnejšie8 Cvičenie 1.1 Dokážte, že pre ľubovoľné body X, Y, Z platí X + Y Z = Z + Y X. 1.2 Dokážte, že pre ľubovoľné body A, B, D, E, F, G afinného priestoru
8 Cvičenie 1.1 Dokážte, že pre ľubovoľné body X, Y, Z platí X + Y Z = Z + Y X. 1. Dokážte, že pre ľubovoľné body A, B, D, E, F, G afinného priestoru P platí F B = F A, BD = AE, DG = EG F = G. 1.3 Dokážte
PodrobnejšieTeória pravdepodobnosti Zákony velkých císel
10. Zákony veľkých čísel Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. apríla 2014 1 Zákony veľkých čísel 2 Centrálna limitná veta Zákony veľkých čísel Motivácia
PodrobnejšieAxióma výberu
Axióma výberu 29. septembra 2012 Axióma výberu Axióma VIII (Axióma výberu) ( S)[( A S)(A ) ( A S)( B S)(A B A B = ) ( V )( A S)( x)(v A = {x})] Pre každý systém neprázdnych po dvoch disjunktných množín
PodrobnejšieJednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 Jednotkový koreň(unit roo
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18
PodrobnejšieIII. Diferenciálny počet funkcie viac premenných (Prezentácia k prednáškam, čast B) Matematická analýza IV (ÚMV/MAN2d/10) RNDr. Lenka Halčinová, PhD.
III. Diferenciálny počet funkcie viac premenných (Prezentácia k prednáškam, čast B) (ÚMV/MAN2d/10) lenka.halcinova@upjs.sk 11. apríla 2019 3.3 Derivácia v smere, vzt ah diferenciálu, gradientu a smerovej
Podrobnejšie1. KOMPLEXNÉ ČÍSLA 1. Nájdite výsledok operácie v tvare x+yi, kde x, y R. a i (5 2i)(4 i) b. i(1 + i)(1 i)(1 + 2i)(1 2i) (1 7i) c. (2+3i) a+bi d
KOMPLEXNÉ ČÍSLA Nájdite výsledok operácie v tvare xyi, kde x, y R 7i (5 i)( i) i( i)( i)( i)( i) ( 7i) (i) abi a bi, a, b R i(i) 5i Nájdite x, y R také, e (x y) i(x y) = i (ix y)(x iy) = i y ix x iy i
PodrobnejšiePrenosový kanál a jeho kapacita
Prenosový kanál a jeho kapacita Stanislav Palúch Fakulta riadenia a informatiky, Žilinská univerzita 5. mája 2011 Stanislav Palúch, Fakulta riadenia a informatiky, Žilinská univerzita Prenosový kanál a
Podrobnejšie2.5. Dotyčnica krivky, dotykový kužeľ. Nech f je krivka a nech P V (f) (t.j. m P (f) 1). Ak m P (f) = r a l je taká priamka, že I P (f, l) > r, potom
2.5. Dotyčnica krivky, dotykový kužeľ. Nech f je krivka a nech P V (f) (t.j. m P (f) 1). Ak m P (f) = r a l je taká priamka, že I P (f, l) > r, potom l nazývame dotyčnicou krivky f v bode P. Pre daný bod
PodrobnejšieInformačná a modelová podpora pre kvantifikáciu prvkov daňovej sústavy SR
Nelineárne optimalizačné modely a metódy Téma prednášky č. 5 Prof. Ing. Michal Fendek, CSc. Katedra operačného výskumu a ekonometrie Ekonomická univerzita Dolnozemská 1 852 35 Bratislava Označme ako množinu
PodrobnejšieAnalýza hlavných komponentov
Value at Risk Voľba parametrov výpočtu VaR Confidence level Dĺžka časového obdobia Hodnota investícií do jednotlivých finančných nástrojov Identifikácia rizikových faktorov Spôsob zohľadnenia korelácií
PodrobnejšieZákladné stochastické procesy vo financiách
Technická Univerzita v Košiciach Ekonomická fakulta 20. Január 2012 základné charakteristiky zmena hodnoty W t simulácia WIENEROV PROCES základné charakteristiky základné charakteristiky zmena hodnoty
PodrobnejšieÚvod do lineárnej algebry Monika Molnárová Prednášky 2006
Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 1. 3. marca 2006 2. 10. marca 2006 c RNDr. Monika Molnárová, PhD. Obsah 1 Aritmetické vektory a matice 4 1.1 Aritmetické vektory........................
PodrobnejšieŠtruktúra Modelu Výsledky odhadu Záver Trh práce v krajinách strednej Európy: Small Search and Matching Model Martin Železník Národná Banka Slovenska
Trh práce v krajinách strednej Európy: Small Search and Matching Model Národná Banka Slovenska Humusoft, 06.06.2013 Obsah 1 Štruktúra Modelu Domácnosti Firmy Trh práce Nastavenie miezd Uzavretie modelu
PodrobnejšieNumerické riešenie všeobecnej (klasickej) DMPK rovnice.
Numerické riešenie všeobecnej (klasickej) DMPK rovnice. J. Brndiar, R. Derian, P. Markos 11.6.27 1 Úvod Vodivost a transfér matica DMPK vs. zovšeobecnená DMPK rovnica 2 Numerické riešenie Ciel e Predpríprava
PodrobnejšieParalelné algoritmy, cast c. 2
Paralelné algoritmy, čast č. 2 František Mráz Kabinet software a výuky informatiky, MFF UK, Praha Paralelné algoritmy, 2009/2010 František Mráz (KSVI MFF UK) Paralelné algoritmy, čast č. 2 Paralelné algoritmy,
PodrobnejšieMetódy dokazovanie v matematike 1 Základné pojmy Matematika exaktná veda vybudovaná DEDUKTÍVNE ZÁKLADNÉ POJMY základy každej matematickej teórie sú in
Metódy dokazovanie v matematike 1 Základné pojmy Matematika exaktná veda vybudovaná DEDUKTÍVNE ZÁKLADNÉ POJMY základy každej matematickej teórie sú intuitívne jasné a názorné napr. prirodzené čísla, zlomok,
PodrobnejšieTESTOVANIE STABILITY PROCESU POKRAČOVANIA GRADIOMETRICKÝCH MERANÍ DRUŽICE GOCE NADOL
S L O V E N S K Á E C H N I C K Á U N I V E R Z I A V B R A I S L A V E S A V E B N Á F A K U L A K A E D R A G E O D E I C K Ý C H Z Á K L A D O V ESOVANIE SABILIY PROCESU POKRAČOVANIA GRADIOMERICKÝCH
PodrobnejšiePreco kocka stací? - o tom, ako sú rozdelené vlastné hodnoty laplasiánu v limite, ked sú velké
o tom, ako sú rozdelené vlastné hodnoty laplasiánu v limite, keď sú veľké o tom, ako sú rozdelené vlastné hodnoty laplasiánu v limite, keď sú veľké zaujímavé, ale len pre matematikov... NIE! o tom, ako
PodrobnejšieRegresné modely pre nespojité veliciny
Regresné modely pre nespojité veličiny I. Žežula Prírodovedecká fakulta Univerzity P. J. Šafárika, Košice 18. slovenská štatistická konferencia, Košice 2016 23.6. 25.6.2016 Obsah 1 Logistická regresia
PodrobnejšieSRPkapitola06_v1.docx
Štatistické riadenie procesov Regulačné diagramy na reguláciu porovnávaním 6-1 6 Regulačné diagramy na reguláciu porovnávaním Cieľ kapitoly Po preštudovaní tejto kapitoly budete vedieť: čo sú regulačné
PodrobnejšieAplikace matematiky- záverečná práca Juraj Bodík 28. septembra 2017 Definície Žena - objekt ohodnotený celým číslom. Každé dve ženy sa dajú porovnat a
Aplikace matematiky- záverečná práca Juraj Bodík 28. septembra 207 Definície Žena - objekt ohodnotený celým číslom. aždé dve ženy sa dajú porovnat a rozlíšit, t.j. žiadne dve nemajú rovanké hodnotenie.
PodrobnejšieVybrané kapitoly zo štatistickej fyziky - domáce úlohy Michal Koval 19. mája 2015 Domáca úloha č. 1 (pochádza z: [3]) Systém pozos
Vybrané kapitoly zo štatistickej fyziky - domáce úlohy Michal Koval koval@fmph.uniba.sk 19. mája 2015 Domáca úloha č. 1 (pochádza z: [3]) Systém pozostávajúci z N nezávislých spinov. Každý zo spinov sa
PodrobnejšieAnalýza sociálnych sietí Geografická lokalizácia krajín EU
Analýza sociálnych sietí Geografická lokalizácia krajín EU Ekonomická fakulta TU v Košiciach 20. februára 2009 Vzt ahy medzi krajinami - teória grafov Doterajšie riešenia 1 problém farbenia grafov (Francis
PodrobnejšieARMA modely čast 3: zmiešané modely (ARMA) Beáta Stehlíková Časové rady, FMFI UK ARMA modely časť 3: zmiešané modely(arma) p.1/30
ARMA modely čast 3: zmiešané modely (ARMA) Beáta Stehlíková Časové rady, FMFI UK ARMA modely časť 3: zmiešané modely(arma) p.1/30 ARMA modely - motivácia I. Odhadneme ACF a PACF pre dáta a nepodobajú sa
PodrobnejšieNeineárne programovanie zimný semester 2018/19 M. Trnovská, KAMŠ, FMFI UK 1
Neineárne programovanie zimný semester 2018/19 M. Trnovská, KAMŠ, FMFI UK 1 Metódy riešenia úloh nelineárneho programovania využívajúce Lagrangeovu funkciu 2 Veta: Bod ˆx je optimálne riešenie úlohy (U3)
PodrobnejšieWP summary
TESTOVANIE PRAVDEPODOBNOSTNÉHO ROZDELENIA PREDIKČNÝCH CHÝB MARIÁN VÁVRA NETECHNICKÉ ZHRNUTIE 3/2018 Národná banka Slovenska www.nbs.sk Imricha Karvaša 1 813 25 Bratislava research@nbs.sk júl 2018 ISSN
PodrobnejšieOperačná analýza 2
Niektoré náhodné procesy majú v praxi veľký význam, pretože sa často vyskytujú, napr.: Poissonov proces proces vzniku a zániku Wienerov proces stacionárne procesy,... Poissonov proces je homogénny Markovov
PodrobnejšieVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNíHO INŽENÝRSTVí ÚSTAV MATEMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNíHO INŽENÝRSTVí ÚSTAV MATEMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF MATHEMATICS REGRESNÉ METÓDY ODHADU VYBRANÝCH CHARAKTERISTÍK
PodrobnejšieParalelné algoritmy, cast c. 3
Paralelné algoritmy, čast č. 3 František Mráz Kabinet software a výuky informatiky, MFF UK, Praha Paralelné algoritmy, 2009/2010 František Mráz (KSVI MFF UK) Paralelné algoritmy, čast č. 3 Paralelné algoritmy,
PodrobnejšieOceňovanie amerických opcií p. 1/17 Oceňovanie amerických opcií Beáta Stehlíková Finančné deriváty, FMFI UK Bratislava
Oceňovanie amerických opcií p. 1/17 Oceňovanie amerických opcií Beáta Stehlíková Finančné deriváty, FMFI UK Bratislava Oceňovanie amerických opcií p. 2/17 Európske a americké typy derivátov Uvažujme put
PodrobnejšieMicrosoft Word - 6 Výrazy a vzorce.doc
6 téma: Výrazy a vzorce I Úlohy na úvod 1 1 Zistite definičný obor výrazu V = 4 Riešte sústavu 15 = 6a + b, = 4a c, 1 = 4a + b 16c Rozložte na súčin výrazy a) b 4 a 18, b) c 5cd 10c d +, c) 6 1 s + z 4
PodrobnejšieMonday 25 th February, 2013, 11:54 Rozmerová analýza M. Gintner 1.1 Rozmerová analýza ako a prečo to funguje Skúsenost nás učí, že náš svet je poznate
Monday 25 th February, 203, :54 Rozmerová analýza M. Gintner. Rozmerová analýza ako a prečo to funguje Skúsenost nás učí, že náš svet je poznatel ný po častiach. Napriek tomu, že si to bežne neuvedomujeme,
PodrobnejšieMicrosoft Word - Zaver.pisomka_januar2010.doc
Písomná skúška z predmetu lgebra a diskrétna matematika konaná dňa.. 00. príklad. Dokážte metódou vymenovaním prípadov vlastnosť: Tretie mocniny celých čísel sú reprezentované celými číslami ktoré končia
PodrobnejšieOperačná analýza 2
Krivky (čiary) Krivku môžeme definovať: trajektória (dráha) pohybujúceho sa bodu, jednoparametrická sústava bodov charakterizovaná určitou vlastnosťou,... Krivky môžeme deliť z viacerých hľadísk, napr.:
PodrobnejšiePokrocilé programovanie XI - Diagonalizácia matíc
Pokročilé programovanie XI Diagonalizácia matíc Peter Markoš Katedra experimentálnej fyziky F2-523 Letný semester 2015/2016 Obsah Fyzikálne príklady: zviazané oscilátory, anizotrópne systémy, kvantová
PodrobnejšieAPROXIMÁCIA BINOMICKÉHO ROZDELENIA NORMÁLNYM A PRÍKLAD JEJ APLIKÁCIE V AKTUÁRSTVE S VYUŽITÍM JAZYKA R Abstrakt Príspevok sa zameriava na prezentáciu l
APROXIMÁCIA BINOMICKÉHO ROZDELENIA NORMÁLNYM A PRÍKLAD JEJ APLIKÁCIE V AKTUÁRSTVE S VYUŽITÍM JAZYKA R Abstrakt Príspevok sa zamerava na prezentácu lmtných vet v analýze rzka v nežvotnom postení. Jednoducho
PodrobnejšieMicrosoft Word - 16.kapitola.doc
6. kapitola Logická teória diagnózy zložitých systémov 6. Úvodné poznámky tanovenie diagnózy zložitých systémov v medicíne u človeka, veľkých výrobných zariadení, elektronických obvodov, a pod.) patrí
Podrobnejšie4. Pravidlo ret azenia. Často sa stretávame so skupinami premenných, ktoré zložitým spôsobom závisia od iných skupín premenných. Pravidlo ret azenia p
4. Pravidlo ret azenia. Často sa stretávame so skupinami premenných, ktoré zložitým spôsobom závisia od iných skupín premenných. Pravidlo ret azenia pre funkcie viacerých premenných je univerzálna metóda,
PodrobnejšieO možnosti riešenia deformácie zemského povrchu z pohladu metódy konecných prvkov konference pro studenty matematiky
O možnosti riešenia deformácie zemského povrchu z pohľadu metódy konečných prvkov 19. konference pro studenty matematiky Michal Eliaš ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Katedra matematiky 7. 9. 6. 2011
PodrobnejšieModelovanie nového produktu na trhu: Bassov model Beáta Stehlíková Cvičenia z časových radov, FMFI UK Modelovanie nového produktu na trhu: Bassov mode
Modelovanie nového produktu na trhu: Bassov model Beáta Stehlíková Cvičenia z časových radov, FMFI UK Modelovanie nového produktu na trhu: Bassov model p.1/19 Úvod Frank Bass (1926-2006) - priekopník matematických
PodrobnejšiePocítacové modelovanie - Šírenie vln v nehomogénnom prostredí - FDTD
Počítačové modelovanie Šírenie vĺn v nehomogénnom prostredí - FDTD Peter Markoš Katedra experimentálnej fyziky F2-523 Letný semester 2016/2017 Úvod Hľadáme riešenia časovo závislej parciálnej diferenciálnej
PodrobnejšieSK MATEMATICKÁOLYMPIÁDA skmo.sk 2009/ ročník MO Riešenia úloh česko-poľsko-slovenského stretnutia 1. Určte všetky trojice (a, b, c) kladných r
SK MATEMATICKÁOLYMPIÁDA skmo.sk 009/010 59. ročník MO Riešenia úloh česko-poľsko-slovenského stretnutia 1. Určte všetky trojice (a, b, c) kladných reálnych čísel, ktoré sú riešením sústavy rovníc a b c
PodrobnejšieAnalýza přežití s programem STATISTICA
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Zuzana Kaderjáková Analýza přežití s programem STATISTICA Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
PodrobnejšieEkon Supply of labour by John Pencavel
Labour supply of men by John Pencavel Prednáša: V. Kvetan (EÚ SAV) Obsah kapitoly Úvod Empirické regulácie Trendy v pracovnom správaní Cross sekčné odchýlky v pracovnom správaní Koncepčný rámec Kanonický
Podrobnejšie9. kapitola Maticová algebra II systém lineárnych rovníc, Frobeniova veta, Gaussova eliminačná metóda, determinanty 1. Systém lineárnych rovníc Systém
9. kapitola Maticová algebra II systém lineárnych rovníc, Frobeniova veta, Gaussova eliminačná metóda, determinanty. Systém lineárnych rovníc Systém lineárnych rovníc, ktorý obsahuje m rovníc o n neznámych
PodrobnejšiePodpora metód operačného výskumu pri navrhovaní systému liniek doc. RNDr. Štefan PEŠKO, CSc. Katedra matematických metód, Fa
Podpora metód operačného výskumu pri navrhovaní systému liniek doc. RNDr. Štefan PEŠKO, CSc. stefan.pesko@fri.uniza.sk Katedra matematických metód, Fakulta riadenia a informatiky, Žilinská univerzita v
PodrobnejšieBariéra, rezonančné tunelovanie Peter Markoš, KF FEI STU February 25, 2008 Typeset by FoilTEX
Bariéra, rezonančné tunelovanie Peter Markoš, KF FEI STU February 25, 28 Typeset by FoilTEX Obsah 1. Prechod potenciálovou bariérou, rezonančná transmisia, viazané stavy. 2. Rozptylová matica S a transfer
PodrobnejšieMatematika 2 - cast: Funkcia viac premenných
Matematika 2 časť: Funkcia viac premenných RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk Spojitosť
PodrobnejšieOperačná analýza 2
Súradnicové sústavy a zobrazenia Súradnicové sústavy v rovine (E 2 ) 1. Karteziánska súradnicová sústava najpoužívanejšia súradnicová sústava; určená začiatkom O, kolmými osami x, y a rovnakými jednotkami
PodrobnejšieMO_pred1
Modelovanie a optimalizácia Ľudmila Jánošíková Katedra dopravných sietí Fakulta riadenia a informatiky Žilinská univerzita, Žilina Ludmila.Janosikova@fri.uniza.sk 041/5134 220 Modelovanie a optimalizácia
PodrobnejšieGenerovanie viacstavových modelov a ich riešenie v Maxime 1 Jozef Fecenko Abstrakt Cieľom príspevku je prezentovať zdrojový kód v open source systéme
Generovanie viacstavových modelov a ich riešenie v Maxime 1 Jozef Fecenko Abstrakt Cieľom príspevku je prezentovať zdrojový kód v open source systéme Maxima na generovanie viacstavových Markovovských modelov,
PodrobnejšieUniverzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁRSKA PRÁCA Monika Jakubcová Štatistická analýza cenzorovaných dát Katedra pravdepodobno
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁRSKA PRÁCA Monika Jakubcová Štatistická analýza cenzorovaných dát Katedra pravdepodobnosti a matematickej štatistiky Vedúci bakalárskej práce:
PodrobnejšieMicrosoft PowerPoint - Zeman_Senaj.ppt
DSGE model pre Slovensko Juraj Zeman, Matúš Senaj Cieľ projektu Vytvoriť DSGE model slovenskej ekonomiky, ktorý by slúžil ako laboratórium na štúdium hospodárskych cyklov umožnil analyzovať efekty rôznych
PodrobnejšieSnímka 1
Generovanie LOGICKÝCH KONJUNKCIÍ doc. Ing. Kristína Machová, PhD. kristina.machova@tuke.sk http://people.tuke.sk/kristina.machova/ OSNOVA: 1. Prehľadávanie priestoru pojmov 2. Reprezentácia a použitie
PodrobnejšieUNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY Viacrozmerné neparametrické testy nezávislosti DIPLOMOVÁ PRÁCA 2019 L udov
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY Viacrozmerné neparametrické testy nezávislosti DIPLOMOVÁ PRÁCA 2019 L udovít Horváth UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA
PodrobnejšieUniverzita Komenského v Bratislave Fakulta Matematiky, Fyziky a Informatiky Niektoré metrické vlastnosti čiastočných náhodných booleovských funkcií Di
Univerzita Komenského v Bratislave Fakulta Matematiky, Fyziky a Informatiky Niektoré metrické vlastnosti čiastočných náhodných booleovských funkcií Diplomová práca 2013 Bc. Jakub Husár iii Katedra Informatiky
PodrobnejšieS rok 2 roky t = 4 1 rok MATEMATIKA I A REPETITÓRIUM Z MATEMATIKY pre Hospodársku informatiku Monika Molnárová Košice 2018
S 230 280 270 0 1 2 3 4 5 1 rok 2 roky t = 4 1 rok MATEMATIKA I A REPETITÓRIUM Z MATEMATIKY pre Hospodársku informatiku Monika Molnárová Košice 2018 MATEMATIKA I A REPETITÓRIUM Z MATEMATIKY pre Hospodársku
PodrobnejšieParalelné algoritmy, cast c. 3
Paralelné algoritmy, čast č. 3 František Mráz Kabinet software a výuky informatiky, MFF UK, Praha Paralelné algoritmy, 2011/2012 František Mráz (KSVI MFF UK) Paralelné algoritmy, čast č. 3 Paralelné algoritmy,
PodrobnejšieKolmogorovská zložitost
Kolmogorovská zložitosť 5.12.2013 (2013/14) KZ 5.12.2013 1 / 16 Kt zložitosť age(x) = min p{2 l(p) t : U(p) = x v priebehu t krokov} Def. (Kt zložitosť) UTS monotonne skenuje začiatok p kým vypíše x, t(p,
PodrobnejšiePacakova.Viera
Risk Measures in Non-life Insurance Company Miery rizika v neživotnej poisťovni Viera Pacáková 1 Abstract As insurance companies hold portfolios of insurance policies that may result in claims, it is a
PodrobnejšieMetodika na použitie lesného reprodukčného materiálu na obnovu lesa a zalesňovanie z obchodnej výmeny alebo z dovozu Národné lesnícke centrum (ďalej l
Metodika na použitie lesného reprodukčného materiálu na obnovu lesa a zalesňovanie z obchodnej výmeny alebo z dovozu Národné lesnícke centrum (ďalej len centrum ), ako orgán štátnej odbornej kontroly v
PodrobnejšieUniverzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Ján Eliaš Problémy spojené s výpočtem největšího společného dělitele Katedra
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BKLÁŘSKÁ PRÁCE Ján Eliaš Problémy spojené s výpočtem největšího společného dělitele Katedra numerické matematiky Vedoucí bakalářské práce: doc.
PodrobnejšieUNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY Kernel metódy a aplikácie DIPLOMOVÁ PRÁCA 2018 Bc. Oliver Dendis
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY Kernel metódy a aplikácie DIPLOMOVÁ PRÁCA 2018 Bc. Oliver Dendis UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY
PodrobnejšieMicrosoft Word - Transparencies03.doc
3. prednáška Teória množín II relácie o operácie nad reláciami o rovnosť o usporiadanosť funkcie o zložená funkcia o inverzná funkcia. Verzia: 20. 3. 2006 Priesvitka: 1 Relácie Definícia. Nech X a Y sú
PodrobnejšieA 1
Matematika A :: Test na skúške (ukážka) :: 05 Daná je funkcia g : y 5 arccos a) Zistite oblasť definície funkcie b) vyjadrite inverznú funkciu g Zistite rovnice asymptot (so smernicou bez smernice) grafu
PodrobnejšieUniverzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCA Monika Babiaková Kreditné riziko Katedra pravděpodobnosti a matematické stati
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCA Monika Babiaková Kreditné riziko Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: Doc. RNDr. Jan Hurt,
PodrobnejšieMicrosoft Word - mnohouholnik.doc
Výpočet obsahu mnohouholníka Mnohouholník je daný súradnicami svojich vrcholov: A1[x1, y1], A2[x2, y2],..., An[xn, yn]. Aby sme sa vyhli komplikáciám, obmedzíme sa na prípad konvexného mnohouholníka. Súradnice
PodrobnejšieMicrosoft Word - skripta3b.doc
6. Vlastnosti binárnych relácií V tejto časti sa budeme venovať šiestim vlastnostiam binárnych relácií. Najprv si uvedieme ich definíciu. Reláciu R definovanú v množine M nazývame: a ) reflexívnou, ak
PodrobnejšieÚvodná prednáška z RaL
Rozvrhovanie a logistika Základné informácie o predmete Logistika a jej ciele Štruktúra činností výrobnej logistiky Základné skupiny úloh výrobnej logistiky Metódy používané na riešenie úloh výrobnej logistiky
Podrobnejšiegis5 prifuk
Úrovne implementácie vektorového GIS. Eva Mičietová Univerzita Komenského v Bratislave Prírodovedecká fakulta Katedra kartografie, geoinformatiky a diaľkového prieskumu zeme Email: miciet@fns.uniba.sk
PodrobnejšieSnímka 1
Fyzika - prednáška 12 Ciele 5. Fyzikálne polia 5.4 Stacionárne magnetické pole 5.5 Elektromagnetické pole Zopakujte si Fyzikálne pole je definované ako... oblasť v určitom priestore, pričom v každom bode
PodrobnejšieNázev práce
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Radana Hlavandová Studium závislostní struktury v ekonomických a finančních datech Katedra pravděpodobnosti a matematické statistiky
PodrobnejšieBakalárska práca
UNIVERZITA KARLOVA V PRAZE MATEMATICKO-FYZIKÁLNÍ FAKULTA BAKALÁŘSKÁ PRÁCE MICHAL ZACHAR Grafické modely v analýze diskrétních finančních dat Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
PodrobnejšieCvičenie 9 Riešené príklady 1. Príklad min f(x 1, x 2 ) = x x x 1 s.t. x 1 80 x 1 + x Pre riešenie úlohy vykonáme nasledujúce kroky
Cvičenie 9 Riešené príklady 1. Príklad min f(x 1, x 2 ) = x 2 1 + x2 2 + 60x 1 s.t. x 1 80 x 1 + x 2 120 Pre riešenie úlohy vykonáme nasledujúce kroky: 1. Najskôr upravíme ohraničenia do tvaru a následne
PodrobnejšieSnímka 1
Fyzika - prednáška 11 Ciele 5. Fyzikálne polia 5.2 Elektrostatické pole 5.3 Jednosmerný elektrický prúd Zopakujte si Fyzikálne pole je definované ako... oblasť v určitom priestore, pričom v každom bode
PodrobnejšieUNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY MODELY SPOTOVÝCH CIEN ELEKTRICKEJ ENERGIE S PREPÍNANÍM REŽIMOV DIPLOMOVÁ P
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY MODELY SPOTOVÝCH CIEN ELEKTRICKEJ ENERGIE S PREPÍNANÍM REŽIMOV DIPLOMOVÁ PRÁCA 2016 Štefan KRAKOVSKÝ UNIVERZITA KOMENSKÉHO V
PodrobnejšieŠtudent 1. kapitola Maticová algebra I 1.1 Definícia matice V mnohých prípadoch dáta majú štruktúru dvojrozmernej tabuľky, ktorá má m riadkov a n stĺp
Študent. kapitola Maticová algebra I. Definícia matice V mnohých prípadoch dáta majú štruktúru dvojrozmernej tabuľky, ktorá má m riadkov a n stĺpcov. Jednoduchý príklad dát tohto druhu je tabuľka, ktorá
PodrobnejšieLukacikova-Lukacik-Szomolanyi2006
Praktické problémy kointegračnej analýzy Martin Lukáčik, Adriana Lukáčiková, Karol Szomolányi Analýza stacionarity a určenie rádu integrácie premenných má význam nielen v prípade vektorovo autoregresných
Podrobnejšie8
8. Funkcie pre prácu s údajmi 8.1. Základné funkcie pre prácu s údajmi MATLAB umožňuje aj štatistické spracovanie údajov. Jednotlivé prvky sú zadávané ako matica (vektor). V prípade matice sa operácie
PodrobnejšieZvýšenie kvality......
Testovanie 9-16 Výsledky celoslovenského testovania žiakov 9. ročníka ZŠ 15/16 Testovanie 9-16 Riadny termín 6. apríl 16 Náhradný termín 19. apríl 16 Administrované testy Test z matematiky Test zo slovenského
PodrobnejšieÚvod k semináru o SPGS\(SKPOS\) 2003
racovný seminár Návrh autorizovaných vzťahov medzi ETRS89 a S-JTSK Matej Klobušiak, Geodetický a kartografický ústav Bratislava Chlumeckého 4 Bratislava 7. novembra 2003 racovný seminár o SGS - Ing. Matej
PodrobnejšieInformačné technológie
Informačné technológie Piatok 15.11. 2013 Matúš Péči Barbora Zahradníková Soňa Duchovičová Matúš Gramlička Začiatok/Koniec Z K Vstup/Výstup A, B Načítanie vstupných premenných A, B resp. výstup výstupných
PodrobnejšiePowerPoint Presentation
Vymenujte základné body fyzikálneho programu ktoré určujú metodológiu fyziky pri štúdiu nejakého fyzikálneho systému Ako vyzerá pohybová rovnica pre predpovedanie budúcnosti častice v mechanike popíšte,
PodrobnejšieNSK Karta PDF
Názov kvalifikácie: Architekt informačných systémov Kód kvalifikácie U2511002-01348 Úroveň SKKR 6 Sektorová rada IT a telekomunikácie SK ISCO-08 2511002 / IT architekt, projektant SK NACE Rev.2 J INFORMÁCIE
PodrobnejšieOptimal approximate designs for comparison with control in dose-escalation studies
Optimal approximate designs for comparison with control in dose-escalation studies a Radoslav Harman Fakulta matematiky, fyziky a informatiky Univerzity Komenského 15. 9. 2016 Optimálne aproximatívne dizajny
PodrobnejšieDokonalé a spriatelené čísla 3. kapitola. Pojem hustoty množiny v teorii čísel a dokonalé čísla In: Tibor Šalát (author): Dokonalé a spriatelené čísla
Dokonalé a spriatelené čísla 3. kapitola. Pojem hustoty množiny v teorii čísel a dokonalé čísla In: Tibor Šalát (author): Dokonalé a spriatelené čísla. (Slovak). Praha: Mladá fronta, 1969. pp. 33 46. PersistentofURL:
PodrobnejšieKlasické a kvantové vĺny na rozhraniach. Peter Markoš, KF FEI STU April 14, 2008 Typeset by FoilTEX
Klasické a kvantové vĺny na rozhraniach. Peter Markoš, KF FEI STU April 14, 28 Typeset by FoilTEX Obsah 1. Prechod cez bariéru/vrstvu: rezonančná transmisia 2. Tunelovanie 3. Rezonančné tunelovanie 4.
PodrobnejšieAutoregresné (AR) procesy Beáta Stehlíková Časové rady, FMFI UK Autoregresné(AR) procesy p.1/22
Autoregresné (AR) procesy Beáta Stehlíková Časové rady, FMFI UK Autoregresné(AR) procesy p.1/22 Príklad 1 AR(2) proces z prednášky: x t =1.4x t 1 0.85x t 2 +u t V R-ku: korene charakteristického polynómu
PodrobnejšieModels of marital status and childbearing
Models of marital status and childbearing Montgomery and Trussell Michaela Potančoková Výskumné demografické centrum http://www.infostat.sk/vdc Obsah Demografické modely Ekonomické modely: Sobášnosti a
PodrobnejšieZvýšenie kvality......
Testovanie 9 2019 Výsledky celoslovenského testovania žiakov 9. ročníka základných škôl a 4. ročníka gymnázií a stredných športových škôl s osemročným vzdelávacím programom v školskom roku 2018/2019 Testovanie
Podrobnejšie03_ControlFlow.dvi
1 Riadenie toku programu Príkazy v Matlabe na kontrolu toku programu fungujú veľmi podobne ako v iných programovacích jazykoch. Zoznam: IF (IF-END, IF-ELSE-END, IF-ELSEIF-ELSE-END), SWITCH-CASE, FOR cykly,
PodrobnejšieTesty z CSS_2015_16
Previerkové otázky na skúšku z ČSS 1. Vyjadrite slovne a matematicky princíp superpozície pre lineárnu diskrétnu sústavu. 2. Čo fyzikálne predstavuje riešenie homogénnej a nehomogénnej lineárnej diferenčne
Podrobnejšietrafo
Výpočet rozptylovej reaktancie transformátora Vo väčších transformátoroch je X σk oveľa väčšia ako R k a preto si vyžaduje veľkú pozornosť. Ak magnetické napätia oboch vinutí sú presne rovnaké, t.j. N
Podrobnejšieunhbox group let unhbox hbox {Sglobal mathchardef spacefactor }accent 20 Segroup spacefactor acce
Katedra Informatiky Fakulta Matematiky, Fyziky a Informatiky Univerzita Komenského, Bratislava Šírenie správ v grafoch s proporcionálnym počtom chybných liniek (Diplomová práca) Mirko Zibolen Vedúci: Doc.
PodrobnejšieEURÓPSKA KOMISIA V Bruseli XXX [ ](2013) XXX draft OZNÁMENIE KOMISIE Uplatňovanie článku 260 Zmluvy o fungovaní Európskej únie. Aktualizácia údajov po
EURÓPSKA KOMISIA V Bruseli XXX [ ](2013) XXX draft OZNÁMENIE KOMISIE Uplatňovanie článku 260 Zmluvy o fungovaní Európskej únie. Aktualizácia údajov používaných pri výpočte paušálnych pokút a penále, ktoré
PodrobnejšieMatematický model činnosti sekvenčného obvodu 7 MATEMATICKÝ MODEL ČINNOSTI SEKVENČNÉHO OBVODU Konečný automat predstavuje matematický model sekvenčnéh
7 MTEMTICKÝ MODEL ČINNOSTI SEKVENČNÉHO OBVODU Konečný automat predstavuje matematický model sekvenčného obvodu. Konečný automat je usporiadaná pätica = (X, S, Y, δ, λ,) (7.) kde X je konečná neprázdna
Podrobnejšie