Statistické modelování v S-Plus
|
|
- Miluše Doležalová
- před 8 lety
- Počet zobrazení:
Transkript
1 Statistické modelování v S-Plus
2 Pravidla jen tak mezi námi Všechny modely jsou špatné Některé modely jsou lepší než jiné Nikdy si nejsme jisti, že model je správný Čím je model jednodušší, tím je lepší
3 Typy modelů Nulový Minimální adekvátní (MAM) Současný Maximální Saturovaný
4 Zjednodušování modelu na MAM Krok Postup Vysvětlení Fituj maximální model Začni se zjednodušováním Pokud zjednodušení způsobí nevýznamnou změnu deviance Pokud zjednodušení způsobí významnou změnu deviance Pokračuj v odstraňování parametrů Fituj všechny faktory, interakce a kovariáty, které lze. Zkontroluj reziduály. Zkontroluj overdispersion (Poissonovo n. binomické rozložení chyb; rescale) Prohlédni si parametry pomocí disp e. Odstraň člen vysvětlující nejméně deviance pomocí fit -. Začni s interakcemi nejvyšší třídy. Nech parametr mimo model. Prohlédni si parametry a opět odstraň člen vysvětlující nejméně deviance Vrať parametr do modelu pomocí fit+. Jde o statisticky průkazný člen Opakuj kroky 3 a 4 tak dlouho, dokud model neobsahuje jen průkazné členy. Výsledný model je minimální adekvátní.
5 Slučování (agregace) Spojování úrovní faktorů, které jsou významné, ale neliší se průkazně jedna od druhé Např. ANOVA: nízká a střední úroveň faktoru se od sebe průkazně neliší, ale liší se průkazně od úrovně vysoké
6 Okamova břitva Jsou-li ostatní věci stejné, pak: model s n 1 parametry je lepší než model s n parametry model s k 1 vysvětlujícími proměnnými je lepší než model s k proměnnými lineární model je lepší než nelineární model bez interakcí le lepší než model s interakcemi
7 Okamova břitva Snadno a levně měřitelné proměnné jsou lepší než proměnné těžko či nákladně měřitelné Modely odovozené z teoretických opředpokladů jsou lepší než čistě empirické
8 Další doporučení pro modelování To, že nám dalo mnoho práce zkoumání faktoru, který se ukázal jako nevýznamný, nás neopravňuje k tomu, abychom ho uchovávali v modelu Jeví-li se nevýznamný faktor jako důležitý (je např. blízko významnosti), opakujte experiment s větším vzorkem
9 Vzorec modelu závisle proměnná ~ vysvětlující proměnná(-é) y ~ x y ~ sex prává strana znázorňuje: počet a identitu vysvětlujících proměnných (vlastnosti typu kontinuální vs. kategoriální bývají definovány před fitováním modelu) interakce mezi vysvětlujícími proměnnými (jsou-li) nelineární členy vysvětlující proměnné(-ných) další možnosti: offset Error
10 + - * / Vzorec modelu Symboly odlišné od aritmetických I, např. y ~ xiz
11 Vzorec modelu Výrazy se speciálním významem A*B*C je A+B+C+A:B+A:C+B:C+A:B:C A/B/C je A+B%in%A+C%in%B%in%A (A+B+C)^3 je A*B*C (A+B+C)^2 je A*B*C-A:B:C
12 Interakce mezi vysvětlujícími proměnnými interakce mezi kategoriálními proměnnými počet interakcí je (a-1)(b-1), kde a a b je počet úrovní kategoriálních proměnných interakce mezi kontinuálními proměnnými x*z je x+z+x:z, stejné je nejprve spočítat x.krat.z_x*z a pak fitovat y~x+z+x.krat.z pomněte, že definování interakce součinem je předpoklad, nikoli fakt; skutečná interakce může být např. x*z^2
13 Interakce mezi kontinuálními a y~a*x kategoriálními proměnnými ANCOVA; fituje zvláštní sklon a průsečík pro každou úroveň faktoru
14 Hierarchické uspořádání (nesting) y~a/b je totéž co y~a+a:b či y~a+b%in%a znamená, že nedává smysl fitovat efekt proměnné B (jde např. o číslo stromu)
15 Nelineární členy a polynomy vyšších řádů y~poly(x,3)+poly(z,2) y~(a+b+c)^2 I: přepíše to, co by bylo interpretováno jako vzorec modelu, když ve skutečnosti chceme, aby šlo o aritmetický operátor y~1/x vs y~i1/x I musíme použít, i když chceme na pravé straně násobit pomocí* (jinak by bylo interpretováno jako interakce) či když chceme na pravé straně použít mocninu pomocí ^ (jinak by bylo interpretováno jako interakce řádu ^)
16 Několikanásobné nevysvětlené variability (Error terms) hierarchická uspořádání (nesting), časové a prostorové pseudoreplikace: Error se stává součástí vzorce modelu
17 Split-plot design
18 Error term pro split-plot desin y~a*b*c*d+error(a/b/c)
19 Nulový model y~x y~x-1 y~sex-1 dá průměry pro každé pohlaví místo rozdílu mezi průměry
20 Update model_lm(y~a*b) model1_update(model,~.-a:b)
21 Modelové vzorce pro regresi y = a + bx y = a +bx + cz y ~ x y ~ x + z je-li x kontinuální proměnná, program předpokládá, že chceme fitovat regresi pro nelineární regrese: nls pro nelineární smíšené regrese: nlme
22 Modelové vzorce pro ANOVU y ~ w, kde w je kategoriální proměnná s k úrovněmi w_factor(w) (pokud w nejsou písmenka) reprezentace ANOVY pro w se dvěma úrovněmi (např. pohlaví: mužské a ženské) y=a+bw 1 +cw 1 y=a+bw 1 +c 0=a+bw 1 pro muže y=a+b 0+cw 2 =a+cw 2 pro ženy bude-li a celkový průměr pro muže a ženy, pak: b bude rozdíl mezi průměry pro muže a celkovým průměrem c bude rozdíl mezi průměry pro ženy a celkovým průměrem v ANOVĚ je průsečík průměr a ostatní parametry jsou rozdíly mezi průměry
23 Modelové vzorce pro ANCOVU Dva průsečíky a dva sklony směs kontinuálních a kategoriálních proměnných, např. pohlaví a věk: y ~ a 1 + b 1 x pro muže y ~ a 2 + b 2 x pro ženy y ~ w * x první parametr je průsečík, druhý sklon, třetí rozdíl mezi dvěma průsečíky a čtvrtý rozdíl mezi dvěma sklony
24 Modelové vzorce pro ANCOVU Dva průsečíky a společný sklon y ~ w + x y ~ a 1 + bx pro muže y ~ a 2 + bx pro ženy první parametr je průsečík, druhý je rozdíl mezi průsečíky a třetí je společný sklon
25 Příklady typů modelů
26 Kde se modely objevují v modelových funkcích lm(y~x), aov(y~x),gam(y~s(x)), tree(y~x+z) v grafických funkcích plot(x,y), xyplot(y~xiz),coplot(y~xiz), wireframe(y~x*z)
27 Fitování statistických modelů v S-Plus lm aov glm: error, link gam lme nls nlme loess tree
28 Obecně použitelné funkce summary: pro lm a aov summary.aov: ANOVA table výsledků summary.lm: seznam parametrů a standardních chyb plot anova update coef fitted resid predict
Pokud data zadáme přes "Commands" okno: SDF1$X1<-c(1:15) //vytvoření řady čísel od 1 do 15 SDF1$Y1<-c(1.5,3,4.5,5,6,8,9,11,13,14,15,16,18.
Regresní analýza; transformace dat Pro řešení vztahů mezi proměnnými kontinuálního typu používáme korelační a regresní analýzy. Korelace se používá pokud nelze určit "kauzalitu". Regresní analýza je určena
VíceM cvičení : GLM04b (Vztah mezi Poissonovým a
RNDr. Marie Forbelská, Ph.D. 1 M7222 4. cvičení : GLM04b (Vztah mezi Poissonovým a binomických rozdělením) Připomeňme, že pomocí Poissonova rozdělení P o(λ) lze dobře aproximovat binomické rozdělení Bi(n,
VíceModerní regresní metody. Petr Šmilauer Biologická fakulta JU České Budějovice (c) 1998-2007
Moderní regresní metody Petr Šmilauer Biologická fakulta JU České Budějovice (c) 1998-2007 Obsah Úvod... 5 1 Klasický lineární model a analýza variance... 7 Motivační příklad... 7 Fitování klasického lineárního
VíceAnalýza variance (ANOVA) - jednocestná; faktor s pevným efektem; mnohonásobná srovnání
Analýza variance (ANOVA) - jednocestná; faktor s pevným efektem; mnohonásobná srovnání 1. Analýzu variance (ANOVu) používáme při studiu problémů, kdy máme závislou proměnou spojitého typu a nezávislé proměnné
VíceDESIGN HALOGENOVÝCH VÝBOJEK
DESIGN HALOGENOVÝCH VÝBOJEK (Vliv koroze elektrod na světelný tok a barevnou teplotu u halogenových výbojek) Karel Chobot VŠB TU Ostrava Fakulta metalurgie a materiálového inženýrsví Abstrakt V článku
VíceM cvičení : GLM03a (The Working Activities of Bees)
RNDr. Marie Forbelská, Ph.D. 1 M7222 3. cvičení : GLM03a (The Working Activities of Bees) Popis dat je v souboru bees.txt, samotná data jsou uložena v souboru bees.dat. Nejprve načteme popisný soubor pomocí
Více3. Celistvé výrazy a jejich úprava 3.1. Číselné výrazy
. Celistvé výrazy a jejich úprava.1. Číselné výrazy 8. ročník. Celistvé výrazy a jejich úprava Proměnná je znak, zpravidla ve tvaru písmene, který zastupuje čísla z dané množiny čísel. Většinou se setkáváme
VíceELLENBERGOVY INDIKAČNÍ HODNOTY. David Zelený Zpracování dat v ekologii společenstev
3 2 6 6 5 2 ELLENBERGOVY INDIKAČNÍ HODNOTY ELLENBERGOVY INDIKAČNÍ HODNOTY (EIH) optima druhů rostlin na gradientu ţivin, vlhkosti, půdní reakce, kontinentality, teploty, světla a salinity (salinita se
Více05/29/08 cvic5.r. cv5.dat <- read.csv("cvic5.csv")
Zobecněné lineární modely Úloha 5: Vzdělání a zájem o politiku cv5.dat
VíceAnalýza rozptylu. Statistika II. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
ANOVA Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz ANOVA ANOVA je nástroj pro zkoumání vztahu mezi vysvětlovanými a vysvětlujícími proměnnými.
VíceELLENBERGOVY INDIKAČNÍ HODNOTY. David Zelený Zpracování dat v ekologii společenstev
3 2 6 6 5 2 ELLENBERGOVY INDIKAČNÍ HODNOTY ELLENBERGOVY INDIKAČNÍ HODNOTY (EIH) optima druhů rostlin na gradientu živin, vlhkosti, půdní reakce, kontinentality, teploty, světla a salinity (salinita se
VíceFrekvenční analýza, čtyřpolní tabulky
Frekvenční analýza, čtyřpolní tabulky V následujícím příkladě nás zajímá, zda sekání má pozitivní vliv na reprodukci studovaného druhu. V experimentu tedy máme dva druhy ošetření (sekané, nesekané) a pro
VíceNavrhování 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
VíceTypové příklady k opravné písemné práci z matematiky
Typové příklady k opravné písemné práci z matematiky Př. 1: Umocni (bez tabulek, bez kalkulačky): 2 2 4 2 9 2 10 2 100 2 1000 2 20 2 200 2 500 2 3000 2 80 2 900 2 300 2 40000 2 0,1 2 0,001 2 0,05 2 0,008
VíceÚloha 1 Multimetr. 9. Snižte napájecí napětí na 0V (otočením ovládacího knoflíku výstupního napětí zcela doleva).
Úloha 1 Multimetr CÍLE: Po ukončení tohoto laboratorního cvičení byste měli být schopni: Použít multimetru jako voltmetru pro měření napětí v provozních obvodech. Použít multimetru jako ampérmetru pro
VícePrincip parsimonie (Occamova břitva)
Plánování pokusů Replikace (opakování) kvůli spolehlivosti (reliability) Randomizace (znáhodnění) kvůli zabránění zkreslení výsledků (bias) Princip parsimonie Síla statistického testu Kontroly Efektivní
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceLogika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12
Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı České vysoké učení technické v Praze c Kateřina Trlifajová, 2010 BI-MLO, ZS 2011/12 Evropský sociální
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
Více3. Polynomy Verze 338.
3. Polynomy Verze 338. V této kapitole se věnujeme vlastnostem polynomů. Definujeme základní pojmy, které se k nim váží, definujeme algebraické operace s polynomy. Diskutujeme dělitelnost polynomů, existenci
VícePřehled učiva matematiky 7. ročník ZŠ
Přehled učiva matematiky 7. ročník ZŠ I. ARITMETIKA 1. Zlomky a racionální čísla Jestliže rozdělíme něco (= celek) na několik stejných dílů, nazývá se každá část celku zlomkem. Zlomek tři čtvrtiny = tři
VícePlánování experimentu
SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš 1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr
VíceAnalýza rozptylu. Přednáška STATISTIKA II - EKONOMETRIE. Jiří Neubauer
ANOVA Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz ANOVA ANOVA je nástroj pro zkoumání vztahu mezi vysvětlovanými a vysvětlujícími
VíceEuklidovský prostor Stručnější verze
[1] Euklidovský prostor Stručnější verze definice Eulidovského prostoru kartézský souřadnicový systém vektorový součin v E 3 vlastnosti přímek a rovin v E 3 a) eprostor-v2, 16, b) P. Olšák, FEL ČVUT, c)
VíceNárodní informační středisko pro podporu jakosti
Národní informační středisko pro podporu jakosti 1 ANALÝZA ROZPTYLU a její využití při vyhodnocování experimentálních dat Eva Jarošová, VŠE Praha 2 Obsah Podstata metody, jednofaktorová ANOVA F-test Mnohonásobná
VíceMatematická logika. Rostislav Horčík. horcik@math.feld.cvut.cz horcik@cs.cas.cz www.cs.cas.cz/ horcik
Matematická logika Rostislav Horčík horcik@math.feld.cvut.cz horcik@cs.cas.cz www.cs.cas.cz/ horcik Rostislav Horčík (ČVUT FEL) Y01MLO Letní semestr 2007/2008 1 / 18 Predikátová logika Motivace Výroková
Více1. Základné mocniny Odmocnina Tretia mocnina Tretia odmocnina a
1. Základné mocniny.... Odmocnina... 7. Tretia mocnina... 10. Tretia odmocnina... 1 a a 5. Umocňovanie súčinu a podielu použitím vzorcov: a b a b, b b... 16 a b a b... 1 6. Odmocňovanie súčinu použitím
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceNěkteré zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení
Přednáška 5/1 Některé zákony rozdělení pravděpodobnosti 1. Binomické rozdělení Předpoklady: (a) pst výskytu jevu A v jediném pokuse P (A) = π, (b) je uskutečněno n pokusů, (c) pokusy jsou nezávislé, tj.
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
VíceDesign of Experiment (DOE) Petr Misák. Brno 2017
Navrhování experimentů Design of Experiment (DOE) Petr Misák Vysoké učení technické v Brně, Fakulta stavební, Ústav stavebního zkušebnictví Brno 2017 Úvod - Experiment jako nástroj hledání slavné vynálezy
VíceTabulární data, pozorované vs očekávané četnosti
Tabulární data, pozorované vs očekávané četnosti Máme data o počtech např. samců a samic v populaci a zajímá nás, zda naše pozorované (observed) četnosti se liší od předpokládaného (expected). Příklad
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
VíceMATEMATICKÁ ANALÝZA A LINEÁRNÍ ALGEBRA PŘÍPRAVA NA ZKOUŠKU PRO SAMOUKY
MATEMATICKÁ ANALÝZA A LINEÁRNÍ ALGEBRA PŘÍPRAVA NA ZKOUŠKU PRO SAMOUKY POMNĚNKA prase Pomni, abys nezapomněl na Pomněnku MSc. Catherine Morris POMNĚNKA Verze ze dne: 14. října 01 Materiál je v aktuální
VíceZpůsobilost systému měření podle normy ČSN ISO doc. Ing. Eva Jarošová, CSc.
Způsobilost systému měření podle normy ČSN ISO 22514-7 doc. Ing. Eva Jarošová, CSc. Předmět normy Postup validace měřicího systému a procesu měření (ověření, zda daný proces měření vyhovuje požadavkům
Více4ST201 STATISTIKA CVIČENÍ Č. 8
4ST201 STATISTIKA CVIČENÍ Č. 8 analýza závislostí kontingenční tabulky test závislosti v kontingenční tabulce analýza rozptylu regresní analýza lineární regrese Analýza závislostí Budeme ověřovat existenci
VíceANOVA PSY252 Statistická analýza dat II
ANOVA 9. 11. 2011 PSY252 Statistická analýza dat II Program dnešní přednášky jednofaktorová (one-way) ANOVA faktoriální (two -way) ANOVA ANCOVA (ANOVA s kovariáty) MANOVA (ANOVA s více závislými) ANOVA
VíceSkalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS )
LINEÁRNÍ ALGEBRA Úvod vektor Skalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS ) Kartézský souřadnicový systém -je taková soustava
VíceAlgebraické výrazy. Algebraický výraz je zápis složený z čísel, písmen (označujících proměnné), znaků matematických funkcí ( +, -,, :, 2, ) a závorek.
Algebraické výrazy Algebraický výraz je zápis složený z čísel, písmen (označujících proměnné), znaků matematických funkcí ( +, -,, :, 2, ) a závorek. 1. Upravte výrazy: a) 6a + 3b + 2a + c b b) 3m + s
Více3. Mocnina a odmocnina. Pythagorova věta
. Mocnina a odmocnina. Pythagorova věta 7. ročník -. Mocnina, odmocnina, Pythagorovavěta.. Mocnina... Vymezení pojmu Součin stejných činitelů můţeme napsat v podobě mocniny. Například : součin...... můţeme
Víceu, v, w nazýváme číslo u.( v w). Chyba! Chybné propojení.,
Def: Vetorovým součiem vetorů u =(u, u, u 3 ) v = (v, v, v 3 ) zýváme vetor u v = (u v 3 u 3 v, u 3 v u v 3, u v u v ) Vět: Pro vetory i, j, ortoormálí báze pltí i i = j = i, i = j Vět: Nechť u v, w, jsou
Více(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
VíceVyužití programu MS Excel při výuce vlastností kvadratické funkce
Využití programu MS Excel při výuce vlastností kvadratické funkce Martin Mikuláš Tabulkové kalkulátory lze ve škole velmi dobře využít při výuce matematiky. Lze v nich totiž snadno naprogramovat aplikace,
VíceTomáš 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
VíceKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1
Lineární algebra 10. přednáška: Ortogonalita II Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Text byl vytvořen
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceMatematická statistika
Matematická statistika Daniel Husek Gymnázium Rožnov pod Radhoštěm, 8. A8 Dne 12. 12. 2010 v Rožnově pod Radhoštěm Osnova Strana 1) Úvod 3 2) Historie matematické statistiky 4 3) Základní pojmy matematické
VíceSoučin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j.
Kapitola 3 Počítání s maticemi Matice stejného typu můžeme sčítat a násobit reálným číslem podobně jako vektory téže dimenze. Definice 3.1 Jsou-li A (a ij ) a B (b ij ) dvě matice stejného typu m n, pak
Více1.2.7 Druhá odmocnina
..7 Druhá odmocnina Předpoklady: umocňování čísel na druhou Pedagogická poznámka: Probrat obsah této hodiny není možné ve 4 minutách. Já osobně druhou část (usměrňování) probírám v další hodině, jejíž
VíceAnalýza rozptylu. opakovaná měření faktoriální analýza rozptylu analýza kovariance vícerozměrná analýza rozptylu
Analýza rozptylu opakovaná měření faktoriální analýza rozptylu analýza kovariance vícerozměrná analýza rozptylu Analýza rozptylu porovnání více průměrů sledujeme F-statistiku: poměr rozptylu mezi skupinami
VíceSTŘEDOŠKOLSKÁ MATEMATIKA
STŘEDOŠKOLSKÁ MATEMATIKA MOCNINY, ODMOCNINY, ALGEBRAICKÉ VÝRAZY VŠB Technická univerzita Ostrava Ekonomická fakulta 006 Mocniny, odmocniny, algebraické výrazy http://moodle.vsb.cz/ 1 OBSAH 1 Informace
VíceKreslení elipsy Andrej Podzimek 22. prosince 2005
Kreslení elipsy Andrej Podzimek 22. prosince 2005 Kreslení elipsy v obecné poloze O co půjde Ukázat přesný matematický model elipsy Odvodit vzorce pro výpočet souřadnic důležitých bodů Nalézt algoritmus
Víceg) když umocníme na druhou třetinu rozdílu dvou čísel x, y a zvětšíme toto číslo o jejich součin, tak dostaneme výraz?
Téma : Výrazy, poměr (úprava výrazů, podmínky řešitelnosti, algebraické vzorce, hodnota výrazů, poměr, měřítko na mapě) Příklady Zápis výrazů ) Zapište jako výraz: a) součet trojnásobku libovolného čísla
VícePlánované experimenty - Návrh
Plánované experimenty - Návrh Menu: QCExpert Plánované experimenty Návrh: Plný faktor, Frakc. faktor Tento modul umožňuje navrhnout dvouúrovňový vícefaktoriální ortogonální plán typu 2 n k a následně provést
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Pythagoras Statistické zpracování experimentálních dat Semestrální práce ANOVA vypracoval: Ing. David Dušek
VíceStatistické metody v marketingu. Ing. Michael Rost, Ph.D.
Statistické metody v marketingu Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Úvodem Modelování vztahů mezi vysvětlující a vysvětlovanou (závisle) proměnnou patří mezi základní aktivity,
VíceHledáme lokální extrémy funkce vzhledem k množině, která je popsána jednou či několika rovnicemi, vazebními podmínkami. Pokud jsou podmínky
6. Vázané a absolutní extrémy. 01-a3b/6abs.tex Hledáme lokální extrémy funkce vzhledem k množině, která je popsána jednou či několika rovnicemi, vazebními podmínkami. Pokud jsou podmínky jednoduché, vyřešíme
VíceLogaritmy a věty o logaritmech
Variace 1 Logaritmy a věty o logaritmech Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Logaritmy Definice
Více2. Matice, soustavy lineárních rovnic
Matice, soustavy lineárních rovnic Tento učební text byl podpořen z Operačního programu Praha- Adaptabilita Irena Sýkorová Některé vlastnosti matic Uvažujmečtvercovoumatici A=(a ij ) n n Matice Asenazývásymetrická,jestližeplatí
VíceVztah mezi počtem květů a celkovou biomasou rostliny
Regrese a korelace Regrese versus korelace Regrese (regression)* popisuje vztah = závislost dvou a více kvantitativních (popř. ordinálních) proměnných formou funkční závislosti měří těsnost Korelace (correlation)
VíceAnalýza rozptylu. PSY117/454 Statistická analýza dat v psychologii Přednáška 12. Srovnávání více než dvou průměrů
PSY117/454 Statistická analýza dat v psychologii Přednáška 12 Analýza rozptylu Srovnávání více než dvou průměrů If your experiment needs statistics, you ought to have done a better experiment. Ernest Rutherford
VíceOSOBNÍ EFEKTIVITA. Ing. Miloš Paleček (Brno) 22.11.2012 INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
OSOBNÍ EFEKTIVITA Ing. Miloš Paleček (Brno) Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky. 1 OBSAH Část 1: Motivace ke změně v osobní efektivitě - Najdi
VíceSpokojené m anželství manželství manželství za za hrst hrst hrst pilulek aneb Hormonální antikoncepce, partnerský výbě ýb r a sta t bilit
Spokojené manželství za hrst pilulek aneb Hormonální antikoncepce, partnerský výběr a stabilita partnerských dvojic K.Klapilová Společenskovědní modul, FHS UK, Praha HA, MHC a nebezpečné spekulace Ženy
Vícec) nelze-li rovnici upravit na stejný základ, logaritmujeme obě strany rovnice
Několik dalších ukázek: Eponenciální rovnice. Řešte v R: a) 5 +. 5 - = 5 - b) 5 9 4 c) 7 + = 5 d) = e) + + = f) 6 4 = g) 4 8.. 9 9 S : a) na každé straně rovnice musí být základ 5, aby se pak základy mohly
Více6. Matice. Algebraické vlastnosti
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA I, zimní semestr 2000/2001 Michal Marvan 6 Matice Algebraické vlastnosti 1 Algebraické operace s maticemi Definice Bud te A,
Více20. Výrazy binomické vzorce, rozklad na součin.notebook. March 12, Učivo: Výrazy - umocňování dvojčlenu, rozklad na součin 4. Ročník: 8.
Registrační číslo projektu: Název projektu: Název a číslo globálního grantu: CZ.1.07/1.1.12/02.0010 Šumavská škola = evropská škola Zvyšování kvality ve vzdělání v Plzeňském kraji CZ.1.07/1.1.12 Název
VíceZADÁNÍ ZKOUŠKOVÉ PÍSEMNÉ PRÁCE Z PŘEDMĚTU LINEÁRNÍ ALGEBRA PRO IT. Verze 1.1A
Verze 1.1A Čas na práci: 1 minut Za každý úkol můžete získat maximálně 1 bodů. Řešení každého příkladu zapisujte čitelně a srozumitelně, 2x 1 +4x 3 +3x 4 = 4 x 1 +2x 2 +4x 3 3x 4 = 1 2x 1 +x 2 x 3 3x 4
VíceRegrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA
Regrese používáme tehd, jestliže je vsvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA Specifikace modelu = a + bx a závisle proměnná b x vsvětlující proměnná Cíl analýz Odhadnout hodnot
VíceSTATISTICAL DESIGN OF EXPERIMENT FOR SOLDER JOINTS QUALITY EVALUATION STATISTICKÉ PLÁNOVÁNÍ EXPERIMENTŮ PRO ÚČELY VYHODNOCOVÁNÍ KVALITY PÁJENÝCH SPOJŮ
STATISTICAL DESIGN OF EXPERIMENT FOR SOLDER JOINTS QUALITY EVALUATION STATISTICKÉ PLÁNOVÁNÍ EXPERIMENTŮ PRO ÚČELY VYHODNOCOVÁNÍ KVALITY PÁJENÝCH SPOJŮ Bc. Radim Havlásek Magisterský studijní program, Fakulta
VícePolynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení
Polynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení Polynom nad R = zobrazení f : R R f(x) = a n x n + a n 1 x n 1 +... + a 1 x + a 0, kde a i R jsou pevně daná
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@niax.cz Pravděodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, tyy dat, variabilita, frekvenční analýza
VíceKapitola 1. Tenzorový součin matic
Kapitola 1 Tenzorový součin matic Definice 1.1. Buď F komutativní těleso. Pro matice A F m n a B F r s definujeme tenzorový součin A B jako matici o rozměru mr ns zapsanou blokově: A 11 B A 12 B A 1n B
Více215.1.9 - REKTIFIKACE DVOUSLOŽKOVÉ SMĚSI, VÝPOČET ÚČINNOSTI
215.1.9 - REKTIFIKACE DVOUSLOŽKOVÉ SMĚSI, VÝPOČET ÚČINNOSTI ÚVOD Rektifikace je nejčastěji používaným procesem pro separaci organických látek. Je široce využívána jak v chemické laboratoři, tak i v průmyslu.
VíceMATEMATIKA 8. ročník II. pololetí
MATEMATIKA 8. ročník II. pololetí Úpravy algebraických výrazů: Sčítání a odčítání celistvých výrazů: 1.A a) 5a + ( 3a + 7 ) b) (-3a 4b ) - ( 12a + 6 ) c) ( -8a + 3 ) ( -15a 4 ) 1.B a) 4x + ( 4x + 7 ) b)
VícePokročilé neparametrické metody. Klára Kubošová
Klára Kubošová Další typy stromů CHAID, PRIM, MARS CHAID - Chi-squared Automatic Interaction Detector G.V.Kass (1980) nebinární strom pro kategoriální proměnné. Jako kriteriální statistika pro větvení
VíceSTANOVENÍ NEROVNOSTÍ POVRCHU VOZOVEK A MEZINÁRODNÍHO INDEXU NEROVNOSTI Z MRAČEN BODŮ (LASEROVÉHO SKENOVÁNÍ)
STANOVENÍ NEROVNOSTÍ POVRCHU VOZOVEK A MEZINÁRODNÍHO INDEXU NEROVNOSTI Z MRAČEN BODŮ (LASEROVÉHO SKENOVÁNÍ) Autor: Ing. Josef Žák, Ph.D., FSv, ČVUT Příspěvek byl zpracován za podpory programu Centra kompetence
VíceMAGIC GAMES II 750 NEXT GENERATION HERNÍ PLÁN
HERNÍ PLÁN Přístroj přijímá mince v hodnotě 10 Kč a bankovky v hodnotě 100 Kč, 200 Kč, 500 Kč a 1000 Kč. Za každých 10 Kč obdrží hráč 10 kreditů. Kredit Může hráč získat také prostřednictvím obsluhy pomocí
Více2.2. SČÍTÁNÍ A NÁSOBENÍ MATIC
22 SČÍTÁNÍ A NÁSOBENÍ MATIC V této kapitole se dozvíte: jak je definováno sčítání matic a jaké má základní vlastnosti jak je definováno násobení matic číslem a jaké má základní vlastnosti zda a proč se
VíceZáklady číslicové techniky. 2 + 1 z, zk
Základy číslicové techniky 2 + 1 z, zk Ing. Vít Fábera, K614 e-mail: fabera@fd.cvut.cz K508, 5. patro, laboratoř, 2 2435 9555 Ing. Tomáš Musil, Ph.D., K620 e-mail: musil@asix.cz K508, 5. patro, laboratoř,
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
VíceA NUMERICKÉ METODY. Matice derivací: ( ) ( ) Volím x 0 = 0, y 0 = -2.
A NUMERICKÉ METODY Fourierova podmínka: f (x) > 0 => rostoucí, f (x) < 0 => klesající, f (x) > 0 => konvexní ᴗ, f (x) < 0 => konkávní ᴖ, f (x) = 0 ᴧ f (x)!= 0 => inflexní bod 1. Řešení nelineárních rovnic:
VíceTomáš 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
VícePOLYMERTEST Tř.T.Bati 299, 764 22 Zlín
Přístroj pro stanovení odolnosti textilií proti pronikání vody dle ČSN EN 20811 1. Účel zkoušky: Zařízení je určeno pro stanovení odolnosti textilií proti pronikání vody při působení tlaku vody. V průběhu
VíceChyby nepřímých měření
nepřímé měření: Chyby nepřímých měření chceme určit veličinu z hodnot jiných veličin na základě funkční vztahu máme změřené veličiny pomocí přímých měření (viz. dříve) včetně chyb: x±σ x, y±σ y,... známe
VíceStručný návod k programu Octave
Stručný návod k programu Octave Octave je interaktivní program vhodný pro technické výpočty. Je nápadně podobný programu MATLAB, na rozdíl od něho je zcela zadarmo. Jeho domovská vebová stránka je http://www.octave.org/,
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceCZ.1.07/1.5.00/34.0527
Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice
Více2019/03/31 17:38 1/2 Klasifikační a regresní stromy
2019/03/31 17:38 1/2 Klasifikační a regresní stromy Table of Contents Klasifikační a regresní stromy... 1 rpart (library rpart)... 1 draw.tree (library maptree)... 3 plotcp a rsq.rpart (library rpart)...
VíceProstorová variabilita
Prostorová variabilita prostorová závislost (autokorelace) reprezentuje korelaci mezi hodnotami určité náhodné proměnné v místě i a hodnotami téže proměnné v jiném místě j; prostorová heterogenita je strukturální
VíceZáklady elektrostatiky v pokusech (Coulombův zákon, kondenzátor)
Základy elektrostatiky v pokusech (Coulombův zákon, kondenzátor) ZDENĚK ŠABATKA Katedra didaktiky fyziky, MFF UK v Praze Stejně jako učebnice, tak pravděpodobně i většina vyučujících začíná kapitolu o
Více2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.
Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE VYUŽITÍ LOGISTICKÉ REGRESE VE VÝZKUMU TRHU
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Fakulta informatiky a statistiky Studijní program: Kvantitativní metody v ekonomice Studijní obor: Statistické a pojistné inženýrství Diplomant: Hana Brabcová Vedoucí diplomové
VíceKlasická lineární regrese
Klasická lineární regrese Pracujeme se souborem regr2007.xls (na síti učebny je ve folderu CANOCO 1 nebo ke stažení jako http://regent.jcu.cz/regr2007.xls). Soubor ma dva listy, my budeme pracovat s prvnim
VíceTéma je podrobně zpracováno ve skriptech [1], kapitola
Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 6. Základní aproximační úlohu lze popsat následovně: Jsou dány body [x 0, y 0 ], [x 1, y 1 ],..., [x n, y n
VíceVzorce pro poloviční úhel
4.. Vzorce pro poloviční úhel Předpoklady: 409 Chceme získat vzorce pro poloviční úhel vyjdeme ze vzorců pro dvojnásobný úhel: sin = sin cos, cos = cos sin. Výhodnější je vzorec cos = cos sin, obsahuje
VíceSTATISTICA Téma 7. Testy na základě více než 2 výběrů
STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
Vícezejména Dijkstrův algoritmus pro hledání minimální cesty a hladový algoritmus pro hledání minimální kostry.
Kapitola Ohodnocené grafy V praktických aplikacích teorie grafů zpravidla graf slouží jako nástroj k popisu nějaké struktury. Jednotlivé prvky této struktury mají často přiřazeny nějaké hodnoty (může jít
VíceLineární Regrese Hašovací Funkce
Hašovací Funkce Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v
VícePokročilejší metody: výběr. Začínáme otázkami na povahu vysvětlované proměnné a končíme otázkami na povahu vysvětlujících proměnných
Výběr metody Jak vybrat správnou statistickou metodu pro moje data a pro otázku, kterou si kladu Neexistuje žádná náhražka za zkušenost nejlepší metoda, jak vědět co dělat, je použít stejnou správnou metodu
Více