1.cvičení randomized response
|
|
- Lucie Janečková
- před 5 lety
- Počet zobrazení:
Transkript
1 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Budu velmi vděčý každému, kdo mě v případě podezřeí a jakoukoliv chybu upozorí cvičeí radomized respose Warerova metoda viz Warer (965) Metoda ezávislé otázky viz Greeberg et al (969) Metoda zjišťováí kvatitativího zaku Greeberg et al (97) cvičeí Prostý áhodý výběr (PNV) s opakovaím vs bez opakováí Začeí U celá populace obsahující jedotky, které si očíslujeme jako,, N, tedy U = {,, N} y,, y N hodoty sledovaého zaku v populaci U s výběr z populace U Ȳ populačí průměr, tj Ȳ = N k U y k Y populačí úhr, tj Y = k U y k = N Ȳ velikost výběru K(s) počet růzých jedotek ve výběru ȳ s výběrový průměr, tj ȳ s = K(s) k s y k σy populačí rozptyl, tj σy = N k U (y k Ȳ ) Sy (korigovaý) populačí rozptyl, tj Sy = N k U (y k Ȳ ) s y výběrový rozptyl, tj s y = K(s) k s (y k ȳ s ) Prostý áhodý výběr s vraceím Nechť Y i (i =,, ) je výsledek i-tého tahu, tj P (Y i = y k ) = N, pro k =,, N Můžeme uvažovat ásledující odhady populačího průměru Ȳ : () ˆt = i= Y i, tj jedotky, které jsme vybrali vícekrát, započítáme i do průměru vícekrát; () ˆt = K(s) k s y k (= ȳ s ), tj uděláme průměr pouze přez růzé jedotky; (3) ˆt 3 = N π k s y k, kde π je pravděpodobost zahrutí libovolé pevé jedotky do výběru, tj π = ( /N) Literatura: str 0 3 v Särdal et al (99); Hodges et al (983)
2 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Prostý áhodý výběr bez vraceí Odhad populačího průměru je ȳ s Teto odhad má rozptyl který odhadujeme pomocí var(ȳ s ) = ( N ) N k U var(ȳ s ) = f s y (y k Ȳ ) = f S y, Poměr f = N azýváme koečostí ásobitel Coditioal iferece přístup k PNV s vraceím Uvažujeme pouze růzé jedotky Na PNV s vraceím se pak díváme jako a PNV bez vraceí o rozsahu = K(s) 3cvičeí Prostý áhodý výběr bez opakováí, kofidečí itervaly, boostrap Úhr odhademe pomocí vzorce ŶU = Nȳ s Teto odhad má rozptyl var(ŷ ) = N ( N ) N k U (y k Ȳ ) = N f S y, který odhadujeme pomocí var(ŷ ) = N f s y Takže přibližý kofidečí iterval (pro úrh Y ) založeý a ormálí aproximaci je [ ] Ŷ u α/ var( Ŷ ), Ŷ + u α/ var( Ŷ ), kde u α je α-kvatil ormovaého ormálího rozděleí Pro opatrost eí od věci ahradit kvatil u α kvatilem t-rozděleí o ( )-stupích volosti Cochraovo pravidlo pro dobré fugováí ormálí aproximace (viz Cochra (977), str4): > 5 G, kde G = NS 3 y (y k Ȳ )3 Literatura k bootstrapu Základí dvě kihy jsou Efro ad Tibshirai (993) a Daviso ad Hikley (997) Těmto kihám odpovídají také kihovy v R-ku bootstrap a boot Modifikace bootstrapu pro výběry z koečých populací lze ajít apř v Shao (003) k U
3 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 3 4cvičeí kofidečí itervaly pro poměrový odhad Nechť hodoty y k abývají pouze hodot ula ebo jeda Ozačme N = k U y k a = k s y k Potom populačí podíl P = N N odhadujeme pomocí ˆp = Rozptyl tohoto odhadu odhadujeme pomocí var(ˆp) = ( N ) N P ( P ) var(ˆp) = ( N ) ˆp( ˆp) Literatura: Cochra (977), str 50 a ásledující 5cvičeí Systematický výběr Literatura: Cochra (977), str 60 88, Särdal et al (99), str Systematický výběr s růzými pravděpodobostmi Jestliže máme předepsáy psti zahrutí π = (π,, π N ), pak můžeme postupovat podle ásledujícího algoritmu: Z vektoru π vytvoříme kumulativí součty a přidáme C 0 = 0 (π, π + π, π + π + π 3,, π +, π N ) Ozač = (C,, C N ) Geerujeme U z rovoměrého rozděleí a [0, ] 3 Spočteme (U, U +, U +,, U + ) Ozač = (ξ,, ξ ) 4 Vybereme jedotku Y i, právě když existuje ξ j takové, že ξ j (C i, C i ] Pokud je ebezpečí, že v uspořádáí jedotek a sezamu je určitá periodicita, pak se doporučuje přidat 0krok, ve kterém áhodě zpermutujeme pořadí jedotek v sezamu Pak se mluví o záhoděém systematickém výběru I když lze velmi kopmlikovaě dopočítat pravděpodobosti zahrutí π kl pro dvojice prvků, edoporučuje se tyto hodoty používat v Yates-Grudyho formuli pro odhad rozptylu (5) Mohem rozumější se jeví využít doporučeí ze str 40 ze skript Vorlíčková (985), kde se avrhuje aproximovat π kl jako v případě zamítacího výběru, tj Bude probrá později [ ] π kl = π k π l ( π k) ( π l ), kde = N N π k ( π k ) k=
4 4 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Výběry s estejými pravděpodobostmi obecě π k pravděpodobost zahrutí k-té jedotky π kl pravděpodobost zahrutí k-té a zároveň l-té jedotky, spec π kk = π k Horvitz-Thompsoův odhad úhru : () Ŷ HT = k s y k π k Horvitz-Thompsoova formule pro rozptyl odhadu úhru : () var(ŷht ) = k U yk ( π k ) + π k Odhad rozptylu úhru založeý a H-T formuli (3) var(ŷht ) = k s yk πk k,l U, k l ( π k ) + k,l s, k l y k π k y l π l (π kl π k π l ) y k π k y l π l π kl π k π l π kl V případě výběr s pevým rozsahem je H-T formule pro rozptyl () ekvivaletí Yates- Grudyho formuli pro rozptyl odhadu úhru : (4) var(ŷht ) = (π k π l π kl ) k U l U Odhad rozptylu úhru založeý a Y-G formuli : (5) var(ŷht ) = k s l s π k π l π kl π kl ( yk y ) l π k π l ( yk y ) l π k π l V případě, že si ejsme jisti, že pravděpodobosti zahrutí π k jsou úměré hodotám y k, pak se doporučuje použít alterativího odhadu úhru Ŷ a = N k s y k/π k = Ṋ y k, N π k k s /π k k s kde ˆN = k s /π k Teto odhad sice eí estraý, ale je apř ekvivariatí vůči posuutí 6cvičeí Poissoský výběr Každou jedotku vybíráme ezávisle a ostatích a vybereme ji s pravděpodobostí P k Rozsah výběru K(s) je tedy áhodá veličia pro kterou platí: E K(s) = N P k, var(k(s)) = k= kde φ(x) je hustota N(0, ) N k= ( P k ( P k ), P (K(s) = k) φ var(k(s)) ) k E K(s) var(k(s)),
5 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 5 Jelikož pro Poissoův výběr platí π k = P k a π kl = π k π l = P k P l, dostáváme dosazeím do obecých vzorečků pro výběr s estejými pravděpodobostmi ásledující var(ŷht ) = k s y k P k ( P k ) Protože zde emáme pevý rozsah výběru odhad rozptylu odhadu úhru z H-T formule (3): var(ŷht ) = k s y k P k ( P k ) Problémem H-T odhadu je, že ebere v potaz áhodou velikost výběru Proto se pro Poissoův výběr doporučuje ásledující odhad Ŷ HTkor = K(s) k s y k P k Podmíěý poissoovský výběr Při tomto výběru provádíme obyčejý Poissoovský výběr tak dlouho, až se ám podaří vybrat předepsaý počet jedotek Nyí všal již obecě eplatí, že π k = P k a π kl = π k π l = P k P l Provádím-li tedy podmíěý poissoovský výběr s pravděpodobostmi P,, P N, je třeba vypočítat pravděpodobosti zahrutí π,, π N Přesý výpočet je začě obtížý, proto můžeme využít ásledující aproximaci π k = P k ( ( P Pk )( P k ) d + o( d ) ), kde d = N k= P k ( P k ), P = d N Pk ( P k) Pro použití rozptylových vzorců (4) a (5) potřebujeme zát pravděpodobosti zahrutí dvojic π kl Opět ejsme schopi tyto hodoty přesě vypočítat Proto se používá ásledující aproximace, která je drobou modifikací aproximace z Vorlíčková (985), str 8 (viz Čermák (980), str 64, rce (3)) (6) π kl = π k π l [ ( π k) ( ] π l) + o( ), kde = Zamítací výběr N k= k= π k ( π k) Provedu výběr o rozsahu s estejými pstmi (α = (α,, α N )) s vraceím Pokud emám ve výběru všechy prvku růzé, výběr zamítu a zkusím udělat ový výběr Pro provedeí výběru tedy potřebuju mít α k pravděpodobost vybráí k-té jedotky v každém tahu (tj N k= α k = )
6 6 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Pokud pro k =,, N platí, že α k = b P k P k, kde b je vhodá kostata, pak je zamítací výběr ekvivaletí s podmíěým poissoovským výběrem Mám-li předepsáy pravdepodobosti zahrutí π = (π,, π N ) (0 < π k < ), pak mohu odpovídající pravděpodobosti vytažeí α aproximovat pomocí (Vorlíčková (985), str 9, rce (46)): [ ] α k = λ ( + π) π k π k + o(), kde = N π k ( π k ), π = k= N k= π k ( π k) a λ je vhodá kostata, aby platila podmíka N k= α k = Pro odhad rozptylu odhadu úhru pak pravděpodobosti zahruti dvojic π kl aproximujeme opět pomocí vzorce (6) 7cvičeí Sampfordova modifikace zamítacího výběru Mějme předepsáy pravděpodobosti zahrutí π = (π,, π ) a rozsah výběru, tedy platí N k= π k = Defiujme si psti vytažeí pro prví tah αk I = π k a pro ostatí tahy αk II = λ π k π k, kde λ = ( N π j j= π j ) Pomocí těchto pstí taháme postupě jedotek (s vraceím) Pokud jsou po tazích všechy jedotky růzé, výběr přijmeme V opačém případě výběr zamíteme a děláme ový výběr Výhodou tohoto postupu je, že pravděpodobosti zahrutí jsou přesě rové předepsaým hodotám π,, π N Tradičím problém zůstavá výpočet pstí dvojic zahrutí π kl Buď můžeme (jako tradičě) použít vzorec (6) aebo svou důvěru vložit do fukce sampfordpi z R-kovského balíčku pps Postupý výběr Postupě vybíráme jedotky s estejými pstmi (α = (α,, α N )) s vraceím Pokud vytáheme již vybraou jedotku, tak tuto jedotku zamítu a tahám zovu Dle mého ázoru je teto postup ekvivaletí s tím, že taháme postupě s růzými pravdepodobostmi Vytažeou jedotku již evrátíme do výběru a přepočteme zbývající psti vytažeí α, aby jejich součet byl jedička Máme-li předepsáy pravdepodobosti zahrutí π = (π,, π N ) (0 < π k < ), pak můžeme vypočítat pravděpodobosti vytažeí α pomocí ásledující aproximace uvedeé a předášce α k = λ π k ( + π k ), kde λ určíme tak, aby N α k = k=
7 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 7 Jiou možostí založeou a Větě 6 z Vorlíčková (985) je položit α k = ( π k ) T, kde T řeší rovici N = N k= ( π k) s Pro použití rozptylových vzorců (4) a (5) potřebujeme zát π kl Jelikož ejsme schopi tyto hodoty přesě vypočítat, můžeme použít ásledující aproximaci (Čermák (980), str 59, rce (39)) π kl = π k π l ( + π k + π l N l= Restricted radom samplig Mějme ějakou pomocou veličiu {x k, k U} jejíchž hodoty záme pro celou populaci již před provedeím výběru a o které můžeme předpokládat, že souvisí se zkoumaou veličiou {x k, k U} Základí myšleka restricted radom samplig je udělat takový výběr, který v hodotách x k je dobrou zmešeou kopií celé populace Většiou požadujeme balace v prvích dvou mometech veličiy x k Tj provádíme prostý áhodý výběr tak dlouho, dokud veličy t (s) a t (s) (defiovaé íže) ejsou dostatečě malé t (s) = ( xs X) (), a t ( x s (s) = X () ) S x, kde a k= S x x () s = K(s) x k, k s X() = N π l N x k, [ ] / [ ] / N S x = (x k N X) N, S x = (x k N X () ) Autoři kihy Valliat et al (000) doporučují jako rozumou volbu t (s) < 0,5 a t (s) < 0,5 k= k= 8cvičeí Skupikový výběr (cluster samplig) Populace se rozpadá a skupiky My vybereme ěkolik skupiek a ty prošetříme celé Důvody: eexistuje sezam elemetárích jedotek skupiky jedotek jsou rozptýley a velkém území Zásady: skupiky by měly být přibližě stejě velké Pokud ejsou stejě velké doporučuje se vybírat skupikami s pstmi úměrými jejich velikosti skupiky jsou uvitř co ejvíce růzorodé, ale aveek co ejvíce podobé )
8 8 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Jedá se vlastě o speciálí případ dvoustupňového výběru (viz dále) V dalším textu budeme předpokládat, že skupiky jsou vybráy pomocí PNV Začeí: U = M i= U i rozklad populace a skupiky M celkový počet skupiek m počet vybraých skupiek s = r s I U r rozklad výběru a skupiky f I = m M Y r = k U i koečostí ásobitel y k celkový úhr v r té skupice metoda Jelikož pst zahrutí je pro každou jedotku π k = m M, pak H-T odhad má tvar Ŷ = M Y r m = M ˆȲ, kde ˆȲ = m r s I r s I Iterpretace: odhademe průměrý úhr připadající a jedu skupiku a vyásobíme počtem skupiek Výše uvedeý odhad má rozptyl a Ȳ = M M i= Y i var(ŷ) = M f I m S M, kde S M = M Teto rozptyl můžeme odhadout aalogicky jako u PNV: Y r M (Y i Ȳ ) var(ŷ) = M f m s M, kde s M = (Y r ˆȲ ) m r s I je výběrový rozptyl skupikových úhrů Pozámky: teto odhad je sice estraý, ale evyužívá vztahu mezi velikostí skupiky a úhrem v této skupiě; při ezalosti celkového počtu jedotek N elze odhadout průměr a jedu jedotku metoda Odhad průměru: Y = m m r s I Y r r s I N r Iterpretace: odhademe průměrý úhr připadající a jedu skupiku ( ˆȲ = m a vydělíme průměrou velikostí vybraých skupiek N si r s I N r = ˆȲ N si = m i= r s I Y r)
9 Odhad MSE odhadu průměru: Pozámky: POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 9 MSE(Ŷ ) = f I m( N si ) (Y r m Ŷ N r ) r s I jedá se o poměrový odhad typu My vlastě odhadujeme R = ( M i= y i/ M i= x i), pomocí ȳ s / x s, kde roli y i hrají skupikové úhry t i a roli x i hrají rozsahy skupiek N i ; odhad eí obecě estraý; při ezalosti celkového počtu jedotek N elze odhadout celkový úhr 3 metoda Odhad průměru: Y 3 = Ȳ r, kde Ȳ r = m N r r s I y k = Y r N r k U r Iterpretace: spočítáme průměry a jedu jedotku ve všech skupikách ( Yr N r ) a spočítáme průměr z těchto skupikových průměrů Odhad MSE odhadu průměru: Odhad úhru: Odhad MSE odhadu úhru: Pozámky: MSE(Ŷ 3) = f I m r s I Ŷ 3 = M N si Ŷ 3 ( Ȳ r Ŷ 3) MSE(Ŷ3) = (M N si ) MSE( Ŷ 3 ) jedá se vlastě o poměrový odhad typu ; v případě, že místo PNV vybíráme skupiky s pstí zahrutí úměrou rozsahům skupiek N,, N M, pak se vlastě jedá o HT odhad; obecě eí estraý; lze zkostruovat odhad úhru i průměru a jedotku i při ezalosti N Při odhadu úhru se však trochu ztrácí využití vztahu mezi velikostí skupiky a skupikovým úhrem
10 0 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Důvody: Začeí: 9cvičeí Oblastí (stratifikovaý) výběr kromě celkových (celorepublikových) odhadů, chceme odhad také za jedotlivé oblasti (kraje) vytvořeí relativě homogeích strat sižuje variabilitu odhadu růzá ákladost prošetřeí jedotek G počet oblastí U g g-tá oblast o velikosti N g sg rozsah výběru v g-té oblasti f g = sg N g Odhad úhru: oblastí výběrové podíly (7) Ŷ = G g= je výběrový průměr v g-té oblasti Rozptyl tohoto odhadu je var(ŷ ) = G je rozptyl v g-té oblasti g= N g Odhad rozptylu odhadu úhru pak bude (8) var(ŷ ) = G g= N g je výběrový rozptyl v g-té oblasti Itervalový odhad Veličia N g ȳ sg, kde ȳ sg = sg f g sg S g, kde S g = f g sg s g, kde s g = Ŷ Y q var( Ŷ ) N g k s g y k sg sg k U g (y k ȳ sg ) k= (y k ȳ sg ) má přibližě t-rozděleí Neí však úplě zřejmé, kolik má toto t-rozděleí stupňů volosti Počet stupňů volosti se tedy odhaduje pomocí ásledujícího postupu Spočteme počet stupňů volosti v jedotlivých oblastech ν g = sg, pro g =,, G Dále spočteme podíly odhadů rozptylů odhadů úhrů v jedotlivých oblastech a odhadu rozptylu celkového úhru T k = Nk ( f N k sk G Ng g= ( fg N sg ) S k ) S g pro k =,, G
11 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 3 Celkový počet stupňů volosti pak odhademe jako vážeý harmoický průměr stupňů volosti v jedostlivých oblastech ν = G g= Pozámka Pro odhad počtu stupňů volosti platí mi ν g ν g G G ν g = g= Tg ν g G ( g ) = G, tedy stratifikace sižuje počet stupňů volosti oproti PNV, pro který je počet stupňů volosti Speciálě pokud = = = G, N = N = = N G a s = s = = s G, pak g= T = T = = T G = G a ν = G ( ) = G Pozámka Odhad stupňů volosti je založe a Satterthwaitově aproximaci rozděleí vážeého součtu ezávislých kvadratických forem pomocí χ -rozděleí, viz Satterthwaite (946) Stejá myšleka je využita v Satterthwaitově verzi dvouvýběrového t-testu v případě estejých rozptylů, viz Aděl (998), str 88 Optimálí alokace Chceme-li miimalizovat rozptyl odhadu úhru za předpokladu daých celkových ákladů a výběr C = G g= c g sg, kde c g je cea prošetřeí jedé jedotky v g té oblasti, pak volíme rozsahy výběrů v jedotlivých oblastech pomocí vzorce sk = C N ck k S k G g= N g S g cg Speciálě pro c = = c g = a C = dostáváme sk = N k S k G g= N g S g Poststratifikace PNV se provede a celém souboru (tedy žádá ezávislé vybíráí ve stratech) Pro odhad úhru však epoužiju N ȳ s ale vzoreček (7) Ozačme teto odhad ŶP Rozptyl tohoto odhadu by zastáci desig based přístupu odhadli pomocí var(ŷp ) = N f G N g N s g + G ( N ) g s g N g= g= zatímco zastáci coditioal iferece by využili vzorce (8) Poststratifikace může začě vylepšit áš odhad, pokud se průměry v růzých stratech výrazě liší Je však třeba dát pozor, aby apozorovaé rozsahy ve stratech byly dostatečě velké, aby odhady průměrů ȳ sg ebyly příliš estabilí
12 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Provádí se ve dvou krocích cvičeí Dvoustupňový výběr () Výběr větších, tzv primárích výběrových jedotek (pvj) () V rámci pvj vybírám meší, tzv sekudárí výběrové jedotky (svj) Dá se ukázat, že z hlediska přesosti (variability) odhadu při daém celkovém rozsahu výběru si ve srováí s přímým výběrem jedotek z celého souboru vždy pohoršíme Důvody pro teto typ výběru jsou tedy především admiistrativí (apř chybí opora výběru) a ekoomické (apř bylo by drahé procestovávat všechy kouty republiky) Budeme předpokládat, že a obou stupích vybíráme jedotky pomocí PNV Začeí: M celkový počet pvj m počet vybraých pvj f I = m M koečostí ásobitel a Istupi výběru f IIr = r N r koečostí ásobitel a IIstupi výběru Ŷ r = N r ȳ r odhad úhru pro r-tou pvj S r populačí rozptyl v r-té pvj s r výběrový rozptyl v r-té pvj metoda Jelikož pro jedotku y k z i-té pvj je pst zahrutí π k = m M úhru má tvar Ŷ = M m r s I N r ȳ r = M m r s I Ŷ r i N i, pak H-T odhad Iterpretace: v každé pvj odhademe úhr (Ŷr), spočteme průměr těchto odhadů úhru a vyásobíme počtem pvj Rozptyl odhadu úhru Ŷ je var(ŷ) = M f I m S M + kde SM bylo defiováo u skupikového výběru Výše uvedeý rozptyl můžeme odhadout pomocí (9) var(ŷ) = M f I m s M + M m M r= N r r s I N r f IIr r S r, f IIr r s r,
13 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 3 kde s M = m r s I Ŷ r Ŷ t /m t s I, a s r = (y k ȳ r ) r k s r metoda Odhad průměru: Y = r si Ŷr r s I N r r s = I N r ȳ r r s I N, r Iterpretace: odhademe celkový úhr ve všech vybraých pvj a vydělíme počtem všech jedotek v těchto pvj (0) Odhad MSE odhadu průměru: MSE(Ŷ ) = f I m( N si ) (Ŷr N r Ŷ ) + m r s I mm( N si ) kde N si = m m i= N i je průměrá velikost pvj zahrutých ve výběru r s I N r f IIr r s r, Odhady eí estraý, ale za určitých podmíek regularity je asymptoticky estraý 3 metoda Odhad průměru: Y 3 = ȳ r m r s I Iterpretace: odhademe průměry a jedu jedotku ve všech pvj a spočítáme z ich průměr Problémem tohoto odhadu by mohla být estabilita v případě, že v ěkteré pvj je malý rozsah výběru () Odhad MSE odhadu průměru: MSE(Ŷ 3) = f I m (ȳ r m Ŷ 3) + f I f IIr m s r r r s I r s I Jelikož se často stává, že výběry a druhém stupi ebývají příliš rozsáhlé, mohou být výběrové rozptyly s r ve vzorcích (9), (0) a () dost epřesé odhady populačích rozptylu v daé pvj Proto se v těchto vzorcích výběrový rozptyl s r ahrazuje pomocí průměrého výběrového rozptylu s w = r s I ( r ) s r r s I ( r ) Poměrový odhad Budeme předpokládat prostý áhodý výběr (bez vraceí) Ozačme si R = k U Y k = Ȳ X, k U X k
14 4 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ Trochu si rozšíříme začeí: SY = N N k= (y k Ȳ ), s y = N k= (x k X), s x = S X = N S XY = N S Y RX = N N k= (x k X)(y k Ȳ ), s xy = N k= (y k Ȳ R (x k X)), s y rx = V zásadě máme tři možosti, jak odhadou poměr R () odhad 0typu : ˆr 0 = ȳs X, () odhad typu : ˆr = ȳs (3) odhad typu : ˆr = x s, y k k s x k S výjimkou odhadu ˆr 0 tyto odhady ejsou estraé Odhad úhru k s (y k ȳ s ) k s (x k x s ) k s (x k x s )(y k ȳ s ) k s (y k ȳ s r (x k x s )) Poměrovým odhadem (typu) úhru v tomto textíku budeme rozumět odhad ve tvaru Ŷ r = X ˆr = X ȳs x s, kde X = N x k k= Teto odhad eí obecě estraý a jeho vychýleí je přibližě bias(ŷ ) = N( f) X ( ) Ȳ X S X S XY = N( f) ( ) X R S X S XY Středí čtvercová chyba poměrového odhadu Ŷr je přibližě MSE(Ŷr) = ( ) N ( f) SY RX + bias(ŷr) = N ( f) SY RX + O( N ) MSE(Ŷr) tedy odhadujeme pomocí ( ) MSE(Ŷr) = N ( f) X x s s y ˆr x Od prostého odhadu úhru ve tvaru Ŷ = N ȳ se vyplatí přejít k poměrovému odhadu Ŷr, jestliže corr(x, Y ) > V X, kde corr(x, Y ) = S XY S, V V Y S X S X = X X, V S Y = Y Ȳ Y V praxi bychom ahradili populačí hodoty jejich výběrovými protějšky, tj () ĉorr(x, Y ) > v x, kde ĉorr(x, Y ) = sxy s, v v y s x s x = x s x s, v y = y ȳ s y
15 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 5 Regresí odhady Opět budeme předpokládat prostý áhodý výběr (bez vraceí) a odhadujme celkový úhr Rozdílový odhad Teto odhad má tvar Odhad je estraý a má rozptyl var(ŷ ) = N ( f) který můžeme odhadout pomocí var(ŷ ) = N ( f) Ŷ = N ȳ s + N ( X x s ) N N (y k Ȳ x k + X) = N ( f) k= k s (y k ȳ s x k + x s ) = N ( f) S Y X s y x Regresí odhad s koeficietem regrese odhadutým z výběru Teto odhad má tvar Ŷ b = N (ȳ s + b ( X x s )), kde b = s xy s x Odhad Ŷb eí obecě estraý, ale pouze za vhodých podmíek asymptoticky estraý Jeho středí čtvercová chyba se aproximuje pomocí MSE(Ŷb) = N ( f) N N k= [ yk Ȳ B (x k X) ] = N ( f) S Y B X kde B = S XY S X je populačí regresí koeficiet Odhadem středí čtvercové chyby pak je MSE(Ŷb) = N ( f) k s [y k ȳ s b (x k x s )] = N ( f) s y b x Odhad regresího parametru b = sxy odpovídá odhadu získaému metodou ejmeších s x čtverců za předpokladu, že aše data se dají dobře popsat modelem kde e,, e jsou ezávislé chyby y k = α + β x k + e k, k =,,,
16 6 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 3cvičeí Norespose Pravděpodobostí výběr idealisticky předpokládá, že dokážeme provést všechy ásledující kroky: () Zkostruovat potřebou oporu výběru (frame) pro cílovou populaci () Vybrat soubor způsobem, který ám dává požadovaé pravdepodobosti zahrutí (3) U každé jedotky ve výběru apozorovat všechy sledovaé veličiy (4) Bezchybě zpracovat (tj zazameat, přeést z formulářů ) data a připravit je k aalýze (5) Správě zpracovat data (tj použít metody vhodé pro daou situaci) Jestliže výběrovou chybou rozumíme kolísáí (variabilitu) odhadů v důsledku prováděí áhodého výběru, pak evýběrovu chybou se zpravidla rozumí chyba v důsledku porušeí ěkterých předpokladů () (5) Velmi často vzikají problémy u bodu (3) Jedotky buď eodpovídají správě záměrě, ebo otázku emusí správě pochopit, či mohou být ovlivěi způsobem položeí atd V případě, že ám pro daou jedotku chybí zjišťovaá veličia mluvíme o orespose V praxi se často rozlišuje tzv jedotková (uit) orespose, kdy ám u jedotky chybí všechy zjišťovaé veličiy, ebo tzv položková (item) orespose, kdy ám chybí pouze ěkteré ze zjišťovaých veliči Učebice ám říkají, že orespose je spíše pravidlem ež výjimkou Vpodstatě každé praktické šetřeí obsahuje orespose Rozdíly mohou být pouze v míře této orespose Nechť s začí soubor vybraých jedotek a r začí soubor skutečě prošetřeých jedotek Takovou ejjedoduší mírou orespose je zřejmě λ = r K(s), kde K(s) je rozsah souobru s a r je rozsah souboru r V případě, že jedotky emají shodé psti zahrutí, je asi vhodější použit tzv vážeou míru orespose r k= λ w = /π k K(s) k= /π k Hlavím problémem orespose je, že ám zpravidla vychyluje populaci Tj populace, ze které vybíráme, se liší od populace, o které bychom rádi proášeli ějaké úsudky Proto se doporučuje již při pláováí šetřeí myslet a to, jak miimalizovat orespose (školeí tazatelů, způsob získáváí údajů ) Pro citlivé otázky se může využít metoda záhoděého dotazováí V průběhu šetřeí se pak ezastižeé jedotky pokoušíme opětově kotaktovat Po vyčerpáí těchto možostí (resp fiačích prostředků) se pak přichází ke
17 POZNÁMKY K VÝBĚRŮM Z KONEČNÝCH SOUBORŮ 7 vhodým statistickým metodám V zásadě se využívá těchto dvou metod - převážeí a imputace Použitá literatura Aděl, J (998) Statistické metody (vyd) Matfyzpress, Praha Cochra, W G (977) Samplig Techiques Wiley, New York Daviso, A C ad Hikley, D V (997) Bootstrap Methods ad their Applicatio Cambridge Uiversity Press, New York Efro, B ad Tibshirai, R (993) A Itroductio to the Bootstrap Chapma & Hall Greeberg, B G, Abul-Ela, A-L A, Simmos, W R, ad Horvitz, D G (969) The urelated questio radomized respose model: Theoretical framework J Amer Statist Assoc, 64: Greeberg, B G, Kuebler, R R, Aberathy, J R, ad Horvitz, D G (97) Applicatio of radomized respose techique i obtaiig quatitative data J Amer Statist Assoc, 66:43 50 Hodges, J L, Mostseller, F, ad Youtz, C (983) Allocatig loss of precisio i the sample mea to wrog weights ad redudacy i samplig with replacemet from a fiite populatio I A Festschrift for Erich L Lehma, pages Wadsworth Särdal, C-E, Swesso, B, ad Wretma, J (99) Model Assisted Survey Samplig Spriger, New York Satterthwaite, F E (946) A approximate distributioof estimates of variace compoets Biometrics Bulleti, :0 4 Shao, J (003) Impact of the bootstrap o sample surveys Statistical Sciece, 8:9 98 Valliat, R, Dorfma, A H, ad Royall, R M (000) Fiite Populatio Samplig ad Iferece Wiley, New York Čermák, V (980) Výběrové statistické zjišťováí SNTL Vorlíčková, D (985) Výběry z koečých souborů Uiverzita Karlova Skripta Warer, S L (965) Radomized respose: A survey techique for elimiatig evasive aswer bias J Amer Statist Assoc, 60:63 69
(y i Y ) 2 = N 2 1 f
Posledí aktualizace: červa 05 VÝBĚRY Z KOEČÝCH POPULACÍ Podpůrý text shrující vzorečky z předášek a cvičeí Budu velmi vděčý každému, kdo mě v případě podezřeí a jakoukoliv chybu upozorí Základí začeí U
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
VíceUPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ
3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
VícePopisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem
Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceMOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ
PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceTestujeme hypotézu: proti alternativě. Jednoduché třídění:
Y,, Y je áhodý výběr z N(μ, σ ) Y,, Y je áhodý výběr z N(μ, σ ) Y,, Y je áhodý výběr z N(μ, σ ) Testujeme hypotézu: proti alterativě H : μ = μ = = μ H : e všechy středí hodoty μ,, μ jsou si rovy Jedoduché
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která
Více2.4. INVERZNÍ MATICE
24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VícePetr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
VíceSTATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson
STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta. Michaela Kurková. Katedra pravděpodobnosti a matematické statistiky
Uiverzita Karlova v Praze Matematicko-fyzikálí fakulta BAKALÁŘSKÁ PRÁCE Michaela Kurková Dvouvýběrový T-test v případě estejých rozptylů Katedra pravděpodobosti a matematické statistiky Vedoucí bakalářské
VícePravděpodobnostní model doby setrvání ministra školství ve funkci
Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí
Vícevají statistické metody v biomedicíně
Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
VíceParametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti
1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ
VíceKatedra pravděpodobnosti a matematické statistiky. χ 2 test nezávislosti
Katedra pravděpodobosti a matematické statistiky Oborový semiář χ 2 test ezávislosti Petr Míchal 27 listopadu 2017 Situace 2 X {1,, I}, Y {1,, J} Jsou X a Y ezávislé? K dispozici máme áhodý vyběr (X 1,
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
Vícevají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví
Statistika v biomedicísk ském výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Literatura Edice Biomedicísk ská statistika vydáva vaá a Uiverzitě
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
VícePřednáška VIII. Testování hypotéz o kvantitativních proměnných
Předáška VIII. Testováí hypotéz o kvatitativích proměých Úvodí pozámky Testy o parametrech rozděleí Testy o parametrech rozděleí Permutačí testy Opakováí hypotézy Co jsou to hypotézy a jak je staovujeme?
Více} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy
Měřeí statistické závislosti, korelace, regrese Prof. RNDr. Jaa Zvárov rová,, DrSc. MĚŘENÍZÁVISLOSTI Cílem statistické aalýzy vepidemiologii bývá eje staovit, zda oemocěí závisí a výskytu rizikového faktoru,
Více17. Statistické hypotézy parametrické testy
7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 3. ÚKOL JB TEST 3. Úkol zadáí pro statistické testy U každého z ásledujících testů uveďte ázev (včetě autora), předpoklady použití, ulovou
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodná proměnná vybraná rozdělení
S1P áhodá roměá vybraá rozděleí PRAVDĚPODOBOST A STATISTIKA áhodá roměá vybraá rozděleí S1P áhodá roměá vybraá rozděleí Vybraá rozděleí diskrétí P Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým
Více1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE
1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;
VíceIntervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním
Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
Více6. P o p i s n á s t a t i s t i k a
6. P o p i s á s t a t i s t i k a 6.. Pozámka: Při statistickém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákoitosti, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme
VíceNáhodný výběr, statistiky a bodový odhad
Lekce Náhodý výběr, statistiky a bodový odhad Parametr rozděleí pravděpodobosti je ezámá kostata, jejíž přímé určeí eí možé. Nástrojem pro odhad ezámých parametrů je áhodý výběr a jeho charakteristiky
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
VíceElementární zpracování statistického souboru
Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými
VíceKomplexní čísla. Definice komplexních čísel
Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují
Vícec) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x),
a) Vyslovte a dokažte Liouvillovu větu o šaté aroximovatelosti algebraického čísla řádu d b) Defiujte Liouvillovo číslo c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je trascedetí 2 a) Defiujte
Více1. K o m b i n a t o r i k a
. K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují
VícePravděpodobnost a statistika Výpisky z cvičení Ondřeje Chocholy
Pravděpodobost a statistika Výpisky z cvičeí Odřeje Chocholy Ja Štětia 9. listopadu 9 Cviˇceí 3.9.9 Úloha: Máme 4 kostky. Ω = {a, b, c, d}, Ω = 6 4 A = 6 5 4 3 P(A) = 6 5 4 3 6 4 Naejvýš l kostek: m...
VíceStatistika pro metrologii
Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých
Více7. Odhady populačních průměrů a ostatních parametrů populace
7. Odhady populačích průměrů a ostatích parametrů populace Jak sme zišťovali v kapitole. e možé pro každou populaci sestroit možství parametrů, které i charakterizue. Pro účely základího pozáí e evýzaměší
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
VíceOdhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení
Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází
Více13 Popisná statistika
13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBOST A STATISTIKA Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým rozděleím X ~D(), R má základí rostor Z = { } a ravděodobostí fukci: ( ) 1 0 Charakteristiky: středí hodota: E(X ) roztyl:
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
Více2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.
0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
Více1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V
Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být
VíceCvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.
Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu
VíceMatematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
VíceZhodnocení přesnosti měření
Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek
VícePravděpodobnost vs. statistika. Data. Teorie pravděpodobnosti pracuje s jednou nebo více teoretickými náhodnými
Pravděpodobost vs. Teorie pravděpodobosti pracuje s jedou ebo více teoretickými áhodými veličiami, jejichž je zámo odvozovali jsme y těchto atd. Šárka Hudecová Katedra pravděpodobosti a matematické Matematicko-fyzikálí
Vícen=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1
[M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti
VíceČíselné charakteristiky náhodných veličin
Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí
VíceMatematika I, část II
1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
VíceKvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)
Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
VíceStatistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc
Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
Více