HISTORICKÁ DATA Jsou k dispozici: vyrovnání nejvhodnějším typem rozdělení (Batch Fit) Nejsou k dispozici: využití expertních názorů (subjektivní pravděpodobnosti)

Slides:



Advertisements
Podobné prezentace
Základní typy rozdělení pravděpodobnosti diskrétní náhodné veličiny
Advertisements

VÝPOČET OC.
Riziko zbytečného signálu v regulačním diagramu
Statistická indukce Teorie odhadu.
GOOD DECISIONS – BAD OUTCOMES
“Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky.”
Jiří Šafr jiri.safr(zavináč)seznam.cz
Odhady parametrů základního souboru
Rozhodování v prodejně a půjčovně sezónního zboží Martina Krpatová.
Optimalizace v simulačním modelování. Obecně o optimalizaci  Optimalizovat znamená maximalizovat nebo minimalizovat parametrech (např. počet obslužných.
4EK416 Ekonometrie Úvod do předmětu – obecné informace
NEROVNOMĚRNÝ POHYB.
Získávání informací Získání informací o reálném systému
Popisná statistika - pokračování
Generování náhodných veličin (1) Diskrétní rozdělení
Obsah prezentace Náhodná proměnná Rozdělení náhodné proměnné.
Náhodná veličina.
25. října 2004Statistika (D360P03Z) 4. předn.1 Statistika (D360P03Z) akademický rok 2004/2005 doc. RNDr. Karel Zvára, CSc. KPMS MFF UK
Náhoda, generátory náhodných čísel
Střední škola Oselce Škola: SŠ Oselce, Oselce 1, Nepomuk, Projekt: Registrační číslo: CZ.1.07/1.5.00/ Název: Modernizace.
STANOVENÍ NEJISTOT PŘI VÝPOŠTU KONTAMINACE ZASAŽENÉHO ÚZEMÍ
Vybraná rozdělení spojité náhodné veličiny
Generování náhodných veličin (2) Spojitá rozdělení
Nechť (, , P) je pravděpodobnostní prostor:
Diskrétní rozdělení Karel Zvára 1.
Náhodný jev A E na statistickém experimentu E - je určen vybranou množinou výsledků experimentu: výsledku experimentu lze přiřadit číslo, náhodnou proměnnou.
Data s diskrétním rozdělením
LOGISTICKÉ SYSTÉMY /14.
Generování náhodných veličin Diskrétní a spojitá rozdělení Simulační modely ek.procesů 4.přednáška.
Definice stochastického procesu jako funkce 2 proměnných
Normální (Gaussovo) rozdělení
Vybraná rozdělení spojité náhodné veličiny
Tvorba simulačních modelů. Než vznikne model 1.Existence problému 2.Podrobnosti o problému a o systému 3.Jiné možnosti řešení ? 4.Existence podobného.
Experimentální fyzika I. 2
Rozdělení diskrétních veličin. Příklady diskrétních náhodných veličin Pokus jev nastaljev nenastal pnS hod mincírublíc1/2počet hodůpočet rubů celkem narození.
Popisné statistiky. Výskyt strupovitosti se zdá být ve vztahu s obsahem některých chemických prvků “ve slupkách“ hlíz. Některé odrůdy trpí strupovitostí.
Základy zpracování geologických dat
MANAŽERSKÉ ROZHODOVÁNÍ
Metrologie   Přednáška č. 5 Nejistoty měření.
2. Vybrané základní pojmy matematické statistiky
Základy matematické statistiky. Nechť je dána náhodná veličina X (“věk žadatele o hypotéku“) X je definována rozdělením pravděpodobností, s nimiž nastanou.
Co je riziko ? Z historie:
Normální rozdělení a ověření normality dat
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Cíl přednášky Seznámit se
Optimalizace versus simulace 8.přednáška. Obecně o optimalizaci  Maximalizovat nebo minimalizovat omezujících podmínkách.  Maximalizovat nebo minimalizovat.
(Popis náhodné veličiny)
Molekulová fyzika 3. přednáška „Statistický přístup jako jediná funkční strategie kinetické teorie“
Poissonovo rozdělení diskrétní náhodné veličiny
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Měřické chyby – nejistoty měření –. Zkoumané (měřené) předměty či jevy nazýváme objekty Na každém objektu je nutno definovat jeho znaky. Mnoho znaků má.
1 Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Mgr. Vladimír Mikulík. Slezské gymnázium, Opava, příspěvková organizace. Vzdělávací materiál.
EMM91 Ekonomicko-matematické metody č. 9 Prof. RNDr. Jaroslav Ramík, CSc.
POZNÁMKA: Pokud chcete změnit obrázek na tomto snímku, vyberte obrázek a odstraňte ho. Potom klikněte na ikonu Obrázek v zástupném textu a vložte vlastní.
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) a  x  b distribuční.
Molekulová fyzika 2. Sada pomocných snímků „Teplota“
Některá rozdělení náhodných veličin
Spojitá náhodná veličina
Základy statistické indukce
Induktivní statistika
Induktivní statistika
Základy zpracování geologických dat Rozdělení pravděpodobnosti
Spojitá a kategoriální data Základní popisné statistiky
ORDINÁLNÍ VELIČINY Měření variability ordinálních proměnných
Vnitřní energie plynu, ekvipartiční teorém
Statistika a výpočetní technika
Rozdělení pravděpodobnosti
Poissonovo rozdělení diskrétní náhodné veličiny
Induktivní statistika
Základy statistiky.
Transkript prezentace:

Stanovení rozdělení pravděpodobnosti faktorů rizika prof. Ing. Jiří Fotr, CSc.

HISTORICKÁ DATA Jsou k dispozici: vyrovnání nejvhodnějším typem rozdělení (Batch Fit) Nejsou k dispozici: využití expertních názorů (subjektivní pravděpodobnosti) © Jiří Fotr, 2007

„Vsadil bych 3:1, že výrobek bude na trhu úspěšný.“ SUBJEKTIVNÍ PRAVDĚPODOBNOST = Míra osobního přesvědčení subjektu ve výskyt určitého jevu či události Vyjádření subjektivních pravděpodobností Slovní Číselné pomocí čísel z intervalu od 0 do 1 ve tvaru poměru, udávajícího počet realizací daného jevu z celkového počtu možných případů (tři ze sta) pomocí tzv. poměru sázek „Vsadil bych 3:1, že výrobek bude na trhu úspěšný.“ P = = 0,75 3 3 + 1 © Jiří Fotr, 2007

SUBJEKTIVNÍ PRAVDĚPODOBNOSTI Slovní vyjádření Číselné vyjádření Zcela vyloučeno Krajně nepravděpodobné Dosti nepravděpodobné Nepravděpodobné Pravděpodobné Dosti pravděpodobné Nanejvýš pravděpodobné Zcela jisté © Jiří Fotr, 2007

METODY STANOVENÍ SUBJEKTIVNÍCH PRAVDĚPODOBNOSTÍ Diskrétní faktory: metoda relativních velikostí Spojité faktory: metoda kvantilů Diskrétní i spojité faktory: výběr typu teoretického rozdělení a stanovení jeho parametrů Požadavky na diskrétní faktory Čím větší počet hodnot, tím obtížnější práce Požadavky na hodnoty faktorů rizika Musí být jednoznačně definovány Musí se jasně odlišovat bez překrývání (množina vzájemně disjunktních jevů) Musí zahrnovat všechny možnosti (vyčerpávající množina jevů) © Jiří Fotr, 2007

METODA RELATIVNÍCH VELIKOSTÍ Poptávka Malá P1 0,14 Střední P2 = P 0,57 Velká P3 0,29 P = 4 P1 P1 = P = 2 P3 P3 = P1 + P2 + P3 = 1 + P + = 1 P = 0,57 P 4 P 2 P 4 P 2 © Jiří Fotr, 2007

METODA KVANTILŮ Pravděpodobnost 1 0,75 0,5 0,25 5 6 7 8 9 10 8,5 Poptávka 5 6 7 8 9 10 8,5 2 1 3 x <5,10> © Jiří Fotr, 2007

METODA KVANTILŮ (pokračování) P(x < 8) = P(8 < x < 10) P(x < 7) = P(7 < x < 8) P(8 < x < 8,5) = P(8,5 < x < 10) © Jiří Fotr, 2007

SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Normal Triangular Uniform Lognormal BetaPert Gamma Weibull © Jiří Fotr, 2007

DISKRÉTNÍ ROZDĚLENÍ PRAVDĚPODOBNOSTI Binomial Poisson Hypergeometric Neg Binomial Geometric Discrete Uniform © Jiří Fotr, 2007

NÁHRADA SPOJITÉ VELIČINY VELIČINOU DISKRÉTNÍ Pravděpodobnost 1 0,65 0,2 120 200 175 160 140 Poptávka (ks) Pravděpodobnost Poptávka 0,20 0,45 0,35 140 160 175 © Jiří Fotr, 2007

POKUD jsou si rovny vždy plochy kvazitrojúhelníků pod a nad grafem distribuční funkce, pak střední hodnoty obou rozdělení jsou stejné má aproximující diskrétní veličina alespoň tři hodnoty a všechny kvazitrojúhelníky jsou přibližně stejně velké, pak je variabilita obou rozdělení přibližně stejná © Jiří Fotr, 2007