Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Testování statistických hypotéz. Ing. Michal Dorda, Ph.D."

Transkript

1 Testování statistických hypotéz Ing. Michal Dorda, Ph.D.

2 Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině významnosti α= 0,05 pomocí χ testu dobré shody, zda získaná data pocházejí z normálního rozdělení. Data jsou uložena v souboru Mezery.xls. Ing. Michal Dorda, Ph.D.

3 Testování normality Abychom byli schopni specifikovat nulovou a alternativní hypotézu, je nejdříve třeba odhadnout na základě výběru neznámé parametry normálního rozdělení μa σ. Odhad provedeme např. pomocí metody maximální věrohodnosti. Odvodili jsme si, že: n ˆ µ = x = x i, n i= n ˆ σ = x i x n i= ( ). Ing. Michal Dorda, Ph.D. 3

4 Testování normality Odhad parametrů rozdělení μ 4,6985 σ 0,85075 σ 3,9405 např. funkce PRŮMĚR např. funkce DEVSQ / POČET např. funkce ODMOCNINA Ing. Michal Dorda, Ph.D. 4

5 Testování normality Máme proveden odhad parametrů rozdělení, můžeme tedy specifikovat obě hypotézy: H 0 Náhodný výběr pochází z normálního rozdělení se střední hodnotou μ= 4,6985 a rozptylem σ = 0, H Náhodný výběr nepochází z normálního rozdělení se střední hodnotou μ= 4,6985 a rozptylem σ = 0, Ing. Michal Dorda, Ph.D. 5

6 Testování normality Víme, že pro testovou statistiku platí: G ( ) k n = i n π 0, i χk h n π i= 0, i Abychom mohli stanovit x obs, musíme získaný datový soubor rozdělit do tříd. Doporučuje se volit konstantní šířku třídy (vyjma tříd krajních), počet tříd se doporučuje volit v rozmezí Ing. Michal Dorda, Ph.D. 6

7 Testování normality Pro odhad počtu tříd k se nejčastěji používá Sturgesovo pravidlo: k + 3,3 log n, kde nje rozsah souboru (zjistíme např. pomocí funkce POČET). V našem případě n= 3, dostáváme tedy: k + 3,3 log3 = & 8. Ing. Michal Dorda, Ph.D. 7

8 Testování normality Nyní je třeba zvolit vhodnou šířku třídy š, kterou můžeme stanovit podle vztahu: š = x max x k min, kde x max je maximální hodnota ve výběru (zjistíme např. pomocí funkce MAX) a x min je minimální hodnota ve výběru (zjistíme např. pomocí funkce MIN). V našem případě: 4,9 0,80 š = = & 3. 8 Ing. Michal Dorda, Ph.D. 8

9 Testování normality Nyní vhodně zvolíme hranice jednotlivých tříd a pozorované četnosti v jednotlivých třídách zjistíme pomocí funkce ČETNOSTI. Hranice tříd Četnosti ( ; 3 4 ( ; ( 4; ( 7; 0 3 ( 0; ( 3; 6 9 ( 6; 9 0 ( 9; ) Ing. Michal Dorda, Ph.D. 9

10 Testování normality Horní Pozorovaná Hodnota distribuční Teoretická relativní Teoretická Třída Hranice třídy hranice h i četnost n i funkce F(h i ) četnost π 0,i četnost n π 0,i (- ;> 3 0,3590 0,3590 7,8035 (;4> ,4537 0, , (4;7> , , , (7;0> 0 0, ,8377 4, (0;3> 3 6 0,9945 0,0457 5, (3;6> 6 0,9997 0,0050 0, (6;9> 9 0 0, ,0007 0, (9; ), ,0000 0, , Hodnoty distribuční funkce pro jednotlivé horní meze tříd h i stanovíme pomocí funkce NORMDIST, kde za parametry střední hodnota a směrodatná odchylka dosadíme bodové odhady. Ing. Michal Dorda, Ph.D. 0

11 Testování normality Z tabulky vidíme, že pro třídy 6, 7 a 8 není splněna podmínka, že všechny teoretické četnosti musí být větší než 5, sloučíme tedy tyto třídy s třídou 5. Třída Hranice Horní Pozorovaná Teoretická ( n i n ) třídy hranice četnost n i četnost n π n π 0,i 0, i π 0, i (- ;> 3 7,8035,30903 (;4> ,9009 6, (4;7> , , (7;0> 0 4,0740 6, (0; ) 8 6, ,4899 x obs ,0690 Ing. Michal Dorda, Ph.D.

12 Testování normality Nyní je třeba stanovit kritickou hodnotu testu. Jelikož hladina významnosti α= 0,05, po sloučení máme 5 tříd (k) a odhadovali jsme dva parametry rozdělení (h), dostáváme: χ χ xkrit = ( α ); k h = 0,95; = CHIINV ( 0,05; ) = & 5,99. Vidíme, že pozorovaná hodnota testové statistiky je vyšší než kritická hodnota testu, leží tedy v kritickém oboru, proto na hladině významnosti 0,05 zamítáme nulovou hypotézu ve prospěch alternativní. Normalita dat tedy nebyla potvrzena. Ing. Michal Dorda, Ph.D.

13 Test hypotézy o střední hodnotě Př. : Při simulaci systému hromadné obsluhy byly sledovány doby obsluhy požadavků v [min]. Získaná data jsou uložena v souboru Obsluha.xls. Na hladině významnosti 0,05 otestujte hypotézu, že střední hodnota doby obsluhy je rovna 0 min. Předpokládejte, že normalita dat je splněna, směrodatnou odchylku základního souboru neznáme. Ing. Michal Dorda, Ph.D. 3

14 Test hypotézy o střední hodnotě Než přistoupíme k formulaci hypotéz, spočítejme si některé číselné charakteristiky náhodného výběru, které budeme dále potřebovat. Rozsah souboru n 00 Výběrový průměr x 0,5 Výběrová směrodatná odchylka s 7,76 Střední hodnota populace μ 0 0,00 např. funkce SMODCH.VÝBĚR Ing. Michal Dorda, Ph.D. 4

15 Test hypotézy o střední hodnotě Nyní formulujme obě hypotézy: H 0 Střední doba obsluhy v systému hromadné obsluhy je rovna 0 min. H Střední doba obsluhy v systému hromadné obsluhy se nerovná 0 min (vidíme, že vypočítaný výběrový průměr se blíží této hodnotě, proto volíme oboustrannou hypotézu, v úvahu dále přichází i pravostranná alternativa). Ing. Michal Dorda, Ph.D. 5

16 Test hypotézy o střední hodnotě Sice neznáme směrodatnou odchylku, ale máme výběr velkého rozsahu, mohli bychom tedy Studentovo rozdělení aproximovat normovaným. V tomto případě ale použijeme Studentovo rozdělení. Pozorovaná hodnota testové statistiky je rovna: x µ 0 0,5 0 x obs = n = 00 = & s 7,76 0,67. Ing. Michal Dorda, Ph.D. 6

17 Test hypotézy o střední hodnotě Nyní přistoupíme ke stanovení kritických hodnot testu. Víme, že testová statistika se řídí Studentovým rozdělením s 99 stupni volnosti, hladina významnosti je 0,05. Můžeme tedy psát: x x krit, L krit, P = t = t α ; n α ; n 0,975;99 0,975;99 Kritický obor je tedy = = t t = TINV = TINV ( 0,05;99 ) ( 0,05;99 ) = &,98. = &,98, ( ;,98 U,98;. ) Ing. Michal Dorda, Ph.D. 7

18 Test hypotézy o střední hodnotě Vidíme tedy, že pozorovaná hodnota testové statistiky neleží v kritickém oboru, tudíž na hladině významnosti 0,05 nezamítáme hypotézu o tom, že střední doba obsluhy v simulovaném systému hromadné obsluhy je rovna 0 min. Ing. Michal Dorda, Ph.D. 8

19 Test hypotézy o rovnosti dvou středních hodnot Př. 3: Při dvou nezávislých simulačních experimentech byla simulována obsluha v systému hromadné obsluhy. Byly získány dva náhodné výběry a to doby obsluhy v [min], data jsou uložena v souboru Obsluha.xls. Na hladině významnosti 0,05 otestujte hypotézu, že střední hodnoty obou souborů jsou shodné. Předpokládejte, že normalita dat je splněna, směrodatné odchylky rozdělení nejsou známy. Ing. Michal Dorda, Ph.D. 9

20 Test hypotézy o rovnosti dvou středních hodnot Určeme si nejdříve pro oba datové soubory potřebné číselné charakteristiky. První výběr Rozsah souboru n 00 Výběrový průměr x 0,5 Výběrová směrodatná odchylka s 7,76 Druhý výběr Rozsah souboru n 00 Výběrový průměr x 3,75 Výběrová směrodatná odchylka s,3 Ing. Michal Dorda, Ph.D. 0

21 Test hypotézy o shodě dvou středních hodnot V tomto případě je zřejmé, že neznáme směrodatné odchylky populací (máme pouze jejich odhady). Proto musíme nejdříve přistoupit k otestování, zda lze očekávat shodné rozptyly obou populací či nikoliv. K tomu použijeme F-test, budeme uvažovat hladinu významnosti rovnu 0,05. Ing. Michal Dorda, Ph.D.

22 Test hypotézy o shodě dvou středních hodnot Stanovme si obě hypotézy k F-testu: H 0 Rozptyl populace je roven rozptylu populace, tedy σ = σ H Rozptyl populace je menší než rozptyl populace (vypovídají o tom oba náhodné výběry), tedy σ <. σ Dosazením do vztahu pro testovou statistiku dostaneme: F s 7,76 = = & s,3 = 0,49.. Ing. Michal Dorda, Ph.D.

23 Test hypotézy o shodě dvou středních hodnot Nyní musíme stanovit kritickou hodnotu testu, pro kterou v případě zvolené levostranné alternativy platí: x krit = F α ; n = ; ; = FINV ( α n n ) ; n = FINV ( 0,95;99;99 ) = & 0,7. Jelikož z výsledků testu vidíme, že pozorovaná hodnota testové statistiky leží v kritickém oboru, zamítáme nulovou hypotézu o rovnosti rozptylů obou populací. Musíme tedy použít 3. variantu. Ing. Michal Dorda, Ph.D. 3

24 Test hypotézy o rovnosti dvou středních hodnot Formulujme nyní obě hypotézy: H 0 Střední hodnoty obou souborů jsou si rovny, tedy μ = μ. H Střední hodnota prvního souboru je nižší než střední hodnota druhého souboru, tedy μ <μ (výběrové průměry ukazují na tuto nerovnost, v úvahu připadá i oboustranná alternativa). Ing. Michal Dorda, Ph.D. 4

25 Test hypotézy o rovnosti dvou středních hodnot Dosazením do známého vztahu stanovíme pozorovanou hodnotu testové statistiky: T ( x x ) ( µ µ ) ( 0,5 3,75) 0 = = = & s s 7,76,3 + + n n 00 00,39. Počet stupňů volnosti testového rozdělení získáme rovněž dosazením do známého vzorce, výsledek musíme zaokrouhlit na celé číslo. Ing. Michal Dorda, Ph.D. 5

26 Test hypotézy o rovnosti dvou středních hodnot = + + n s n n s n n s n s v Ing. Michal Dorda, Ph.D , , ,3 00 7, = n n n n

27 Test hypotézy o rovnosti dvou středních hodnot Pro kritickou hodnotu testu platí: x = t = t = TINV ( 0,;77 ) =,65, krit α ; v 0,95;77 kritický obor je tedy tvořen intervalem vypočítaná hodnota testové statistiky leží v kritickém oboru, proto na hladině významnosti α= 0,05 zamítáme nulovou hypotézu o rovnosti středních hodnot. ( ;,65, Ing. Michal Dorda, Ph.D. 7

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 STATISTIKA CVIČENÍ Č. 7 4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

Více

STATISTICKÉ TESTY VÝZNAMNOSTI

STATISTICKÉ TESTY VÝZNAMNOSTI STATISTICKÉ TESTY VÝZNAMNOSTI jsou statistické postupy, pomocí nichž ověřujeme, zda mezi proměnnými existuje vztah (závislost, rozdíl). Pokud je výsledek šetření statisticky významný (signifikantní), znamená

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testování hypotéz na základě jednoho a dvou výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/004. Testování hypotéz Pokud nás zajímá zda platí, či neplatí tvrzení o určitém parametru,

Více

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko pro podporu jakosti Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov

Více

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost

Více

Statistické metody uţívané při ověřování platnosti hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

Více

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),

Více

Testování hypotéz Biolog Statistik: Matematik: Informatik:

Testování hypotéz Biolog Statistik: Matematik: Informatik: Testování hypotéz Biolog, Statistik, Matematik a Informatik na safari. Zastaví džíp a pozorují dalekohledem. Biolog "Podívejte se! Stádo zeber! A mezi nimi bílá zebra! To je fantastické! " "Existují bílé

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13 Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test

Více

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Statistika nuda je, má však cenné údaje. Neklesejme na mysli, ona nám to vyčíslí. Z pohádky Princové jsou na draka Populace (základní

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

Více

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Průzkumová analýza dat

Průzkumová analýza dat Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Korelační a regresní analýza

Korelační a regresní analýza Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

IV. CVIENÍ ZE STATISTIKY

IV. CVIENÍ ZE STATISTIKY IV. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data kvantitativní povahy. K tomuto budeme opt používat program Excel 2007 MS Office. 1. Jak mžeme analyzovat kvantitativní

Více

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY SAMOSTATÁ STUDETSKÁ PRÁCE ZE STATISTIKY Váha studentů Kučerová Eliška, Pazdeříková Jana septima červen 005 Zadání: My dvě studentky jsme si vylosovaly zjistit statistickým šetřením v celém ročníku septim

Více

Testy pro porovnání vlastností dvou skupin

Testy pro porovnání vlastností dvou skupin Testy pro porovnání vlastností dvou skupin Petr Pošík Části dokumentu jsou převzaty (i doslovně) z Mirko Navara: Pravděpodobnost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_print.pdf

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

Projekt z předmětu Statistika

Projekt z předmětu Statistika Projekt z předmětu Téma: Typologie hráče české nejvyšší hokejové soutěže VŠB-TU Ostrava:Fakulta Elektrotechniky a informatiky jaro 2011 Martin Dočkal doc068 dockal.martin@gmail.com 1 Obsah 2 Zadání...

Více

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

Test dobré shody v KONTINGENČNÍCH TABULKÁCH Test dobré shody v KONTINGENČNÍCH TABULKÁCH Opakování: Mějme náhodné veličiny X a Y uspořádané do kontingenční tabulky. Řekli jsme, že nulovou hypotézu H 0 : veličiny X, Y jsou nezávislé zamítneme, když

Více

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

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

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

Malé statistické repetitorium Verze s řešením

Malé statistické repetitorium Verze s řešením Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční

Více

STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč

STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI Pavel Praks, Zdeněk Boháč Katedra matematiky a deskriptivní geometrie, VŠB - Technická univerzita Ostrava 17. listopadu

Více

Třídění statistických dat

Třídění statistických dat 2.1 Třídění statistických dat Všechny muže ve městě rozdělíme na 2 skupiny: A) muži, kteří chodí k holiči B) muži, kteří se holí sami Do které skupiny zařadíme holiče? prof. Raymond M. Smullyan, Dr. Math.

Více

Test obsahoval 7 otevřených otázek a 2 uzavřené alternativní otázky s možností volby ano, ne.

Test obsahoval 7 otevřených otázek a 2 uzavřené alternativní otázky s možností volby ano, ne. ! Cílem vysílání v rámci projektu ŠIK je také předávání praktických informací z oblasti rizikového chování. Vycházíme z přesvědčení, že člověk, který má dostatek pravdivých informací, má také větší "#$%&&%

Více

Úvod do statistiky (interaktivní učební text) - Řešené příklady. Martina Litschmannová

Úvod do statistiky (interaktivní učební text) - Řešené příklady. Martina Litschmannová Vysoká škola báňská Technická univerzita Ostrava Západočeská univerzita v Plzni Úvod do statistiky (interaktivní učební text) - Řešené příklady Martina Litschmannová 1. strana ze 159 1 Explorační analýza

Více

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu 6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát

Více

StatSoft Jak se pozná normalita pomocí grafů?

StatSoft Jak se pozná normalita pomocí grafů? StatSoft Jak se pozná normalita pomocí grafů? Dnes se podíváme na zoubek speciální třídě grafů, podle názvu článku a případně i ilustračního obrázku vpravo jste jistě již odhadli, že půjde o třídu pravděpodobnostních

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

ADDS cvičení 7. Pavlína Kuráňová

ADDS cvičení 7. Pavlína Kuráňová ADDS cvičení 7 Pavlína Kuráňová Analyzujte závislost věku obyvatel na místě kde nejčastěji tráví dovolenou. (dotazník dovolená, sloupce Jaký je Váš věk a Kde nejčastěji trávíte dovolenou) Analyzujte závislost

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

Masarykova univerzita Ekonomicko správní fakulta. Statistika II

Masarykova univerzita Ekonomicko správní fakulta. Statistika II Masarykova univerzita Ekonomicko správní fakulta Statistika II distanční studijní opora Marie Budíková Brno 2006 Tento projekt byl realizován za finanční podpory Evropské unie v rámci programu SOCRATES

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem

Více

Navrhování experimentů a jejich analýza. Eva Jarošová

Navrhování experimentů a jejich analýza. Eva Jarošová Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium

Více

Statistika v příkladech

Statistika v příkladech Verlag Dashöfer Statistika v příkladech Praktické aplikace řešené v MS Ecel Ukázkové tety z připravované učebnice Doc. Ing. Jan Kožíšek, CSc. Ing. Barbora Stieberová, Ph.D. Praha 0 Obsah Obsah. Předmluva

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

SW podpora při řešení projektů s aplikací statistických metod

SW podpora při řešení projektů s aplikací statistických metod SW podpora při řešení projektů s aplikací statistických metod Jan Král, Josef Křepela Úvod Uplatňování statistických metod vyžaduje počítačovou podporu. V současné době je rozšiřována řada vynikajících

Více

Optimalizace osazování odběrných míst inteligentními plynoměry

Optimalizace osazování odběrných míst inteligentními plynoměry Optimalizace osazování odběrných míst inteligentními plynoměry Ondřej Konár, Marek Brabec, Ivan Kasanický, Marek Malý, Emil Pelikán Ústav informatiky AV ČR, v.v.i. ROBUST 2012 Němčičky 14. září 2012 Měření

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008)

Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Ing. Vratislav Horálek, DrSc., předseda TNK 4 při ČNI 1 Terminologické normy [1] ČSN ISO 3534-1:1994 Statistika Slovník

Více

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests), : veličiny X, Y jsou nezávislé nij eij

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests),   : veličiny X, Y jsou nezávislé nij eij Testy dobré shody Máme dvě veličiny a předpokládáme, že jsou nezávislé (platí nulová hypotéza nezávislosti). Často chceme naopak prokázat jejich závislost. K tomu slouží: TESTY DOBRÉ SHODY (angl. goodness-of-fit

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Testování hypotéz a měření asociace mezi proměnnými

Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz Nulová a alternativní hypotéza většina statistických analýz zahrnuje různá porovnání, hledání vztahů, efektů Tvrzení, že efekt je nulový,

Více

Při statistickém zkoumání se snažíme udělat nějaký závěr ohledně vlastností celého statistického souboru

Při statistickém zkoumání se snažíme udělat nějaký závěr ohledně vlastností celého statistického souboru 0.1 Základy statistického zpracování dat 1 0.1 Základy statistického zpracování dat Statistika se zabývá shromažďováním, tříděním a popisem velkých souborů dat. Někdy se pod pojmem statistika myslí přímo

Více

pracovní list studenta Kombinatorika, pravděpodobnost, základy statistiky Jak jsou vysocí? Mirek Kubera

pracovní list studenta Kombinatorika, pravděpodobnost, základy statistiky Jak jsou vysocí? Mirek Kubera Výstup RVP: Klíčová slova: pracovní list studenta Kombinatorika, pravděpodobnost, základy statistiky Mirek Kubera žák diskutuje a kriticky zhodnotí statistické informace a daná statistická sdělení, volí

Více

Vyhledávací a databázové funkce v MS Excel 2007. Martin Tůma

Vyhledávací a databázové funkce v MS Excel 2007. Martin Tůma 1 Úvod Vyhledávací a databázové funkce v MS Excel 2007 Martin Tůma Cílem této seminární práce je stručně vysvětlit princip a syntaxi vyhledávacích a databázových funkcí v aplikaci MS Excel 2007 a na praktických

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

Pravděpodobnost, statistika a operační výzkum

Pravděpodobnost, statistika a operační výzkum Pravděpodobnost, statistika a operační výzkum RNDr. Břetislav Fajmon, Ph.D. Mgr. Jan Koláček, Ph.D. ÚSTAV MATEMATIKY Pravděpodobnost, statistika a operační výzkum 1 Obsah I Statistické metody 7 1 Odhad

Více

přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých tendencích a souvislostech.

přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých tendencích a souvislostech. 3 Grafické zpracování dat Grafické znázorňování je velmi účinný způsob, jak prezentovat statistické údaje. Grafy nejsou tak přesné jako tabulky, ale rychle a lépe mohou poskytnou názornou představu o důležitých

Více

Statistika. Semestrální projekt

Statistika. Semestrální projekt Statistika Semestrální projekt 18.5.2013 Tomáš Jędrzejek, JED0008 Obsah Úvod 3 Analyzovaná data 4 Analýza dat 6 Statistická indukce 12 Závěr 15 1. Úvod Cílem této semestrální práce je aplikovat získané

Více

5 ANALÝZA ROZPTYLU. Počet sloupců, K = 7 Počet dat, N = 70 Celkový průměr = 3.9846

5 ANALÝZA ROZPTYLU. Počet sloupců, K = 7 Počet dat, N = 70 Celkový průměr = 3.9846 1 5 ANALÝZA ROZPTYLU Vzorová úloha 5.1 Zkrácený postup jednofaktorové analýzy rozptylu Na úloze B5.02 Porovnání nové metody v sedmi laboratořích ukážeme postup 16 jednofaktorové analýzy rozptylu. Kirchhoefer

Více

Modul Analýza síly testu Váš pomocník při analýze dat.

Modul Analýza síly testu Váš pomocník při analýze dat. 6..0 Modul Analýza síly testu Váš pomocník při analýze dat. Power Analysis and Interval Estimation Analýza síly testu Odhad velikosti vzorku Pokročilé techniky pro odhad intervalu spolehlivosti Rozdělení

Více

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi Geografický seminář 30. března 2011 Pavel Bednář Výchozí stav Sebehodnocení práce s MS Excel studujícími oboru

Více

STATISTICA Téma 1. Práce s datovým souborem

STATISTICA Téma 1. Práce s datovým souborem STATISTICA Téma 1. Práce s datovým souborem 1) Otevření datového souboru Program Statistika.cz otevíráme z ikony Start, nabídka Programy, podnabídka Statistika Cz 6. Ze dvou nabídnutých možností vybereme

Více

Vícerozměrné statistické metody

Vícerozměrné statistické metody Vícerozměrné statistické metody Smysl a cíle vícerozměrné analýzy dat a modelování, vztah jednorozměrných a vícerozměrných statistických metod Jiří Jarkovský, Simona Littnerová Průběh výuky 13 přednášek

Více

9.4. Rovnice se speciální pravou stranou

9.4. Rovnice se speciální pravou stranou Cíle V řadě případů lze poměrně pracný výpočet metodou variace konstant nahradit jednodušším postupem, kterému je věnována tato kapitola. Výklad Při pozorném studiu předchozího textu pozornějšího studenta

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách ROZKLAD ROZPTYLU ROZKLAD ROZPTYLU Rozptyl se dá rozložit na vnitroskupinový a meziskupinový rozptyl. Celkový rozptyl je potom součet meziskupinového a vnitroskupinového Užívá se k výpočtu rozptylu, jestliže

Více

Zdroje chyb. Absolutní a relativní chyba. Absolutní chyba. Absolutní chyba přibližného čísla a se nazývá absolutní hodnota rozdílu přesného

Zdroje chyb. Absolutní a relativní chyba. Absolutní chyba. Absolutní chyba přibližného čísla a se nazývá absolutní hodnota rozdílu přesného Zdroje chyb. Absolutní a relativní chyba. Absolutní chyba Absolutní chyba přibližného čísla a se nazývá absolutní hodnota rozdílu přesného čísla A a přibližného čísla a = A a. Je třeba rozlišovat dva případy:

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

Více

ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 2004.

ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 2004. ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 04 Marie Budíková Katedra aplikované matematiky, Přírodovědecká fakulta, Masarykova

Více

Řízení projektů. Ing. Michal Dorda, Ph.D.

Řízení projektů. Ing. Michal Dorda, Ph.D. Řízení projektů Ing. Michal Dorda, Ph.D. Ing. Michal Dorda, Ph.D. 1 Použitá literatura Tato prezentace byla vytvořena především s využitím následujících zdrojů: ŠIROKÝ, J. Aplikace počítačů v provozu vozidel.

Více

6. Lineární regresní modely

6. Lineární regresní modely 6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu

Více

Pravděpodobnostní rozdělení v MS Excel

Pravděpodobnostní rozdělení v MS Excel Pravděpodobnostní rozdělení v MS Excel Luboš Marek Vysoká škola ekonomická v Praze, Praha Konzultace 1 Úvod Mezi statistickou obcí se často diskutuje, který statistický program je nejlepší, přičemž se

Více

Organizační pokyny k přednášce. Matematická statistika. Co je statistika? Přehled témat

Organizační pokyny k přednášce. Matematická statistika. Co je statistika? Přehled témat Organizační pokyny k přednášce Matematická statistika MS710P05 Zdeněk Hlávka (Šárka Hudecová, Michal Kulich) Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hlavka@karlin.mff.cuni.cz

Více

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 11 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

Návod na statistický software PSPP část 2. Kontingenční tabulky

Návod na statistický software PSPP část 2. Kontingenční tabulky Návod na statistický software PSPP část 2. Kontingenční tabulky Jiří Šafr FHS UK poslední revize 31. srpna 2010 Logika kontingenčních tabulek... 2 Postup vytváření kontingenčních tabulek v PSPP (SPSS)....

Více

Chyby spektrometrických metod

Chyby spektrometrických metod Chyby spektrometrických metod Náhodné Soustavné Hrubé Správnost výsledku Přesnost výsledku Reprodukovatelnost Opakovatelnost Charakteristiky stanovení 1. Citlivost metody - směrnice kalibrační křivky 2.

Více

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0. Nalezněte definiční obor funkce Diferenciální počet f = ln arcsin + Definiční obor funkce f je určen vztahy Z těchto nerovností plyne < + ln arcsin + je tedy D f =, Určete definiční obor funkce arcsin

Více

Dotazy tvorba nových polí (vypočítané pole)

Dotazy tvorba nových polí (vypočítané pole) Téma 2.4 Dotazy tvorba nových polí (vypočítané pole) Pomocí dotazu lze také vytvářet nová pole, která mají vazbu na již existující pole v databázi. Vznikne tedy nový sloupec, který se počítá podle vzorce.

Více

Počítačové cvičení. předmětu M6130 Výpočetní statistika. Marie Budíková

Počítačové cvičení. předmětu M6130 Výpočetní statistika. Marie Budíková Počítačové cvičení předmětu M6130 Výpočetní statistika Marie Budíková 013 Poděkování Tento učební text vznikl za přispění Evropského sociálního fondu a státního rozpočtu ČR prostřednictvím Operačního programu

Více

SIMULAČNÍ MODEL ČINNOSTÍ VEŘEJNÉHO LOGISTICKÉHO CENTRA

SIMULAČNÍ MODEL ČINNOSTÍ VEŘEJNÉHO LOGISTICKÉHO CENTRA SIMULAČNÍ MODEL ČINNOSTÍ VEŘEJNÉHO LOGISTICKÉHO CENTRA Ing. Jaromír Široký, Ph.D. Ing. Michal Dorda VŠB - TU Ostrava Fakulta strojní Institut dopravy Obsah: 1. Definice cílů a účelu simulace VLC. 2. Struktura

Více