Semestrální práce. 2. semestr
|
|
- Eduard Bláha
- před 4 lety
- Počet zobrazení:
Transkript
1 Licenční studium č Semestrální práce 2. semestr PŘEDMĚT 2.1 TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Příklad 4 Vícerozměrný lineární regresní model
2 2/24 V Ústí nad Orlicí dne: Ing. Karel Pávek
3 3/24 Licenční studium č Semestrální práce semestr... 1 Předmět Tvorba lineárních regresních modelů při analýze dat... 1 Stanovení závislosti nejvyšší dlouhodobě (směnově) přípustné výsledné teploty na termickém odporu oděvu, tepelné produkci pracovníka a relativní vlhkosti vzduchu Zadání Data Návrh modelu Předběžná analýza dat Odhady parametrů Základní statistické charakteristiky regrese Regresní diagnostika Kritika dat Analýza klasických reziduí Analýza ostatních reziduí Grafy vlivných bodů Indexové grafy Rankitové grafy Kritika modelu Kritika metody Závěr regresní diagnostiky Konstrukce zpřesněného modelu a závěr... 23
4 4/24 Stanovení závislosti nejvyšší dlouhodobě (směnově) přípustné výsledné teploty na termickém odporu oděvu, tepelné produkci pracovníka a relativní vlhkosti vzduchu 1. ZADÁNÍ Mikroklimatické podmínky pro pracoviště s dlouhodobě (směnově) únosnou rovnoměrnou zátěží se stanoví podle Směrnice č. 46/1978 = Směrnice o hygienických požadavcích na pracovní prostředí. Jedním z měřítek je dlouhodobě (směnově) únosná výsledná teplota T g,a,max [ C]. Dlouhodobě (směnově) únosná výsledná teplota T g,a,max [ C] je ve vyhlášce uvedena ve formě grafu závislosti výsledné teploty T g,a,max [ C] na celkové tepelné produkci pracovníka M [W.m -2 ]a relativní vlhkosti vzduchu RH [%] pro daný celkový tepelný odpor oděvu R t, wa = 0.15, 0.20 a 0.25 [K.m 2.W -1 ]. Pro jiné hodnoty celkového tepelného odporu oděvu, než pro které jsou závislosti vytvořeny, se provádí lineární interpolace nebo extrapolace. Navrhněte lineární regresní model, který by vystihoval závislost dlouhodobě (směnově) únosné výsledné teploty T g,a,max [ C] na výše uvedených proměnných (R t, wa,m,rh). K řešení použijte program ADSTAT lineární regrese. Pozn.: T g, A,, max [ C] Dlouhodobě (směnově) únosná výsledná teplota kulového teploměru (Vernon-Jokl, dutá koule z měděného plechu o průměru 100 mm s černým povrchem, uvnitř které je umístěno teplotní čidlo). Při této teplotě bude v průběhu směny (8 hod.) ztráta vody organismu způsobená pocením a dýcháním menší nebo rovna (za daných podmínek) doporučenému množství. Pro standardní aklimatizovanou osobu s povrchem těla to je cca 3.8 kg. M[W.m -2 ] Tepelná produkce pracovníka včetně bazálního metabolismu. Např. pro práci v kanceláři je M=80W.m -2, práce údržbáře 110 W.m -2 R t, wa [K.m 2.W -1 ] Celkový tepelný odpor oděvu. Je dán počtem vrstev oděvu a rychlostí proudění vzduchu. Např. pro klasický třívrstvý oděv (oblek),při rychlosti proudění vzduchu menší než 0.3 m.s -1,je R t, wa =0.25[K.m 2.W -1 ]. RH [%] Relativní vlhkost vzduchu.
5 5/24 2. DATA Počet n = 84. Jméno datového souboru TgA1.dat (soubor je uspořádán dle TgA), resp. TgA.dat (soubor je uspořádán tak jak byla data odečítána z grafů systematicky dle proměnných R t, wa,ma RH). Na disketě je soubor uložen rovněž ve formátu Excel TgA.xls. Vzhledem k možným problémům při spouštění výpočtu s níže uvedenými daty (program ADSTAT je občas ukončen zdůvodu závažné chyby běhu programu č. 207 Invalid floating point operation) jsou na disketě též textové výstupy ADSTAT pro původní data (Res4.602) a pro upravená data (Res4UP.602). R t, wa M RH T g,a R t, wa M RH T g,a [K.m 2.W -1 ] [W.m -2 ] [%] [ C] [K.m 2.W -1 ] [W.m -2 ] [%] [ C]
6 6/24 3. NÁVRH MODELU Použijeme lineární regresní model y = β 0 + Σβ i x i,kdey=t g, A,, max a x i =R t, wa,m,rh. 4. PŘEDBĚŽNÁ ANALÝZA DAT Polohaaproměnlivost proměnných y, x1, x2 a x3 je vyjádřena jejich průměrem a směrodatnou odchylkou. Párový korelační koeficient y vs. x2 ukazuje na vysokou lineární závislost nezávisle proměnné x2 se závisle proměnnou y. Zbývající nezávisle proměnné x1 a x3 korelují s y nevýznamně. Párové korelační koeficienty mezi dvojicemi vysvětlujících proměnných ukazují na nulovou korelaci mezi nezávisle proměnnými. Multikolinearita není indikována. Proměnná Průměr Směrodatná odchylka Párový korelační koeficient Spočtená hladina výz. y E E x E E x E E x E E Párové korelační koeficienty mezi dvojicemi vysvětlujících proměnných Spočtená hladina významnosti x1 versus x2 : E x1 versus x3 : E x2 versus x3 : E Indikace multikolinearity: Č [j] Vlastní čísla korel. matice l[j] Čísla podmíněnosti K[j] Variance inflation factor VIF[j] Vícenás. korel. koef. pro X[j] E E E E E E E E E Maximální číslo podmíněnosti K: E+00 (K[j], K > 1000 indikuje silnou multikolinearitu) (VIF[j] > 10 indikuje silnou multikolinearitu)
7 7/24 5. ODHADY PARAMETRŮ Klasickou metodou nejmenších čtverců (MNČ) byly nalezeny nejlepší odhady čtyř parametrů β 0, β 1, β 2, β 3. Studentův t-test ukázal, že všechny parametry jsou statisticky významné. Parametr Odhad Směrodatná TestH0:B[j]=0vs.HA:B[j]<>0 odchylka t-kriterium Hypotéza H0 je Hlad. výz. B[0] E E E+01 Zamítnuta B[1] E E E+00 Zamítnuta B[2] E E E+01 Zamítnuta B[3] E E E+01 Zamítnuta ZÁKLADNÍ STATISTICKÉ CHARAKTERISTIKY REGRESE Vícenásobný korelační koeficient R ukazuje, že zvolený lineární regresní model je statisticky významný. Vysoká hodnota koeficientu determinace D = R 2 ukazuje, že většina bodů koresponduje s navrženým modelem. Predikovaný korelační koeficient R 2 p je rovněž vysoký. Střední kvadratická chyba predikce MEP a Akaikeho informační kritérium AIC se užívají k rozlišení mezi několika navrženými modely. Za lepší se považuje model s nižšími číselnými hodnotami MEP a AIC. Vícenásobný korelační koeficient, R Koeficient determinace, R^2 Predikovaný korelační koeficient, Rp^2 Střední kvadratická chyba predikce, MEP Akaikeho informační kritérium, AIC E E E E E REGRESNÍ DIAGNOSTIKA Obsahuje pomůcky a postupy pro interaktivní analýzu dat, modelu, metody, což jsou složky tzv. regresního tripletu. 7.1 Kritika dat Analýza klasických reziduí Není příliš spolehlivá, protože klasická rezidua jsou korelovaná, s nekonstantním rozptylem, jeví se normálnější než náhodné chyby (efekt supernormality) a nemusí indikovat silně odlehlé hodnoty. Grafická analýza e vs. y p (obr. 1) je však schopna indikovat podezřelé body, trend a nekonstantnost podmíněného rozptylu, tj. heteroskedasticitu. Body tvoří pravidelný obrazec ve tvaru čtyřcípé hvězdy body netvoří jednoznačný mrak, heteroskedasticita.
8 8/24 Bod Meřená hodnota Predikovaná hodnota Směrodatnáod chylka Klasické reziduum Relativní reziduum i yexp[i] yvyp[i] s(yvyp[i]) e[i] er[i] E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-01
9 9/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E+00
10 10/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E+00 Rezidualní součet čtverců, RSC Průměr absolutních hodnot reziduí, Me Průměr relativních reziduí, Mer Odhad reziduálního rozptylu, s^2(e) Odhad směrodatné odchylky reziduí, s(e) Odhad šikmosti reziduí, g1(e) Odhad špičatosti reziduí, g2(e) E E E E E E E+00 Obr. 1: Graf predikce rezidua Analýza ostatních reziduí Jackknife rezidua indikují odlehlé body, diagonální prvky H ii od projekční matice H a diagonální prvky H mii od zobecněné projekční matice H m pouze extrémy. Ostatní druhy reziduí a kritéria v tabulce pak obojí (značeno hvězdičkou u hodnoty). Jackknife rezidua indikují odlehlé body: 3, 6, 11, 57, 66 a 84 Zobecněné diagonální prvky H mii indikují extrémy: 3, 6, 11, 57, 66 a 84 Atkinsonova vzdálenost A [i] a vliv na predikci DF [i] indikují vlivné body: 1, 2, 3, 6, 11, 16, 57, 66, 80 a 84
11 11/24 Indikace vlivných bodů: (* indikuje odlehlý, nebo vlivný bod)) Bod Standardizované reziduum Jackknife reziduum Predikované reziduum Diagonální prvky i es[i] ej[i] ep[i] H[i,i] E E E E E E E E E E+00* E E E E E E E E E E E E+00* E E E E E E E E E E E E E E E E E E E E+00* E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-02
12 12/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E+00* E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E+00* E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-02
13 13/ E E E E E E E E E E E E E E E E E E E E E E+00* E E-02 Bod Zobecněné diag. prvky Cookova vzdálenost Atkinsonova vzdálenost Vliv na predikci i Hm[i,i] D[i] A[i] DF[i] E E E+00* E-01* E E E+00* E-01* E-01* E E+00* E-01* E E E E E E E E E-01* E E+00* E-01* E E E E E E E E E E E E E E E E E-01* E E+00* E-01* E E E E E E E E E E E E E E E E E E E+00* E-01* E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-02
14 14/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-01* E E+00* E-01* E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-01* E E+00* E-01* E E E E E E E E E E E E E E E E E E E E E E E E-02
15 15/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E+00* E-01* E E E E E E E E E E E E E-01* E E+00* E-01* Bod Věrohodnostní vzdálenosti i LD(b)[i] LD(s^2)[i] LD(b,s^2)[i] E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-03
16 16/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E-01
17 17/ E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E Grafy vlivných bodů Graf predikovaných reziduí ukazuje na odlehlé body: 1, 2, 3, 6, 8, 11, 16, 51, 57, 58, 66, 70, 77, 82, 84 Pregibonův graf ukazuje na středně vlivné body: 3, 6, 11, 57, 66 a 84 Williamsův graf indikuje jako odlehlé body: 3, 6, 11, 57, 66 a 84 McCulloh-Meeterův graf indikuje jako vlivné body: 3, 6, 11, 57, 66 a 84
18 18/24 Obr. 2a: Graf predikovaných reziduí Obr. 2b: Pregibonův graf Obr. 2c: Williamsův graf Obr. 2d: McCulloh-Meeterův graf Obr. 2e: L-R graf
19 19/ Indexové grafy Indexové grafy upozorňují na podezřelé body. Andrewsův graf: 1, 2, 3, 6, 11, 16, 57, 66, 80, 84 Graf normovaných reziduí: 3, 6, 11, 57, 66, 84 Graf prvků Hprojekční matice: 1, 6, 11, 30, 57, 67, 82, 84 Obr. 3a: Andrewsův graf Obr. 3b: Graf normovaných reziduí Obr. 3c: Graf prvků Hprojekční matice
20 20/ Rankitové grafy Ukazují vedle normality rozdělení dotyčných reziduí i na vlivné (odlehlé) body. Graf normovaných reziduí: 3, 6, 11, 84 (event. 1, 2, 10, 16, 51, 57, 66, 82,?) Andrewsův graf: 3, 6, 11, 57, 66, 84 Graf predikovaných reziduí: 3, 6, 11, 57, 66, 84 Graf Jackknife reziduí: 3, 6, 11, 84 (event. 1, 2, 10, 16, 51, 57, 66, 82,?) Obr. 4a: Graf normovaných reziduí Obr. 4b: Andrewsův graf Obr.4c: Graf predikovaných reziduí Obr.4d: Graf Jackknife reziduí 7.2 Kritika modelu Parciální regresní a reziduální grafy ukazují na lineární charakter nezávisle proměnných. Směrnice jsou různé od nuly, proměnné nebude třeba vylučovat.
21 21/24 Obr. 5a: Parciální regresní graf pro x1 Obr. 5b: Parciální regresní graf pro x2 Obr. 5c: Parciální regresní graf pro x3 Obr. 6a: Parciální reziduální graf pro x1 Obr. 6b: Parciální reziduální graf pro x2 Obr. 6c: Parciální reziduální graf pro x3
22 22/ Kritika metody Závěry statistických testů ukazují, že předpoklady MNČ mimo požadavek konstantnosti rozptylu, Cook-Weisbergův test heteroskedasticity jsou splněny. TESTOVÁNÍ REGRESNÍHO TRIPLETU (DATA + MODEL + METODA): Fisher-Snedocorův test významnosti regrese, F Tabulkový kvantil, F(1-alpha,m-1,n-m) : E+02 : E+00 Závěr: Navržený model je přijat jako významný. Spočtená hladina významnosti : Scottovo kriterium multikolinearity, M : E-16 Závěr: Navržený model je korektní. Cook-Weisbergův test heteroskedasticity, Sf Tabulkový kvantil, Chi^2(1-alpha,1) : E+02 : E+00 Závěr: Rezidua vykazují heteroskedasticitu. Spočtená hladina významnosti : Jarque-Berraův test normality reziduí, L(e) Tabulkový kvantil, Chi^2(1-alpha,2) : E+00 : E+00 Závěr: Normalita je přijata. Spočtená hladina významnosti : Waldův test autokorelace, Wa Tabulkový kvantil, Chi^2(1-alpha,1) : E-01 : E+00 Závěr: Rezidua nejsou autokorelována. Spočtená hladina významnosti : Znaménkový test, Dt Tabulkový kvantil, N(1-alpha/2) : E+00 : E+00 Závěr: Rezidua nevykazují trend. Spočtená hladina významnosti : Obr. 7a: Graf autokorelace Obr. 7b: Graf heteroskedasticity
23 23/ Závěr regresní diagnostiky Body č. 3, 6, 11, 57, 66 a 84 jsou opakovaně indikovány jako odlehlé a je třeba je ze souboru dat vyloučit. 8. KONSTRUKCE ZPŘESNĚNÉHO MODELU A ZÁVĚR Po odstranění bodů č. 3, 6, 11, 57, 66 a 84 byly nalezeny nové odhady regresních parametrů: Parametr Odhad Směrodatná odchylka TestH0:B[j]=0vs.HA:B[j]<>0 t-kriterium Hypotéza H0 je Hlad. výz. B[0] E E E+01 Zamítnuta B[1] E E E+00 Zamítnuta B[2] E E E+01 Zamítnuta B[3] E E E+01 Zamítnuta Statistická charakteristika Původní model Zpřesněný model Vícenásobný korelační koeficient, R E E-01 Koeficient determinace, R^ E E-01 Predikovaný korelační koeficient, Rp^ E E-01 Střední kvadratická chyba predikce,mep E E+00 Akaikeho informační kritérium, AIC E E+00 Zpřesněný model má tvar (v závorkách je vždy uveden odhad směrodatné odchylky parametru): y = (0.74) (2.94) x (0.0031) x (0.0053) x 3 kde y = T g, A,, max [ C] x 1 = R t, wa [K.m 2.W -1 ] x 2 = M [W.m -2 ] x 3 = RH [%] Jelikož došlo k významnému snížení hodnot rozhodujících kritérií, střední kvadratické chyby predikce MEM a Akaikeho informačního kritéria AIC, lze považovat odhady parametrů zpřesněného modelu (po odstranění odlehlých hodnot) za lepší než původní. Vícenásobný korelační koeficient R, koeficient determinace R 2 apredikovaný korelační koeficient Rp 2 vycházejí rovněž příznivěji než u původního modelu. Závěry statistických testů ukazují, že předpoklady MNČ mimo požadavek konstantnosti rozptylu, Cook-Weisbergův test heteroskedasticity jsou splněny. Heteroskedasticitu se nepodařilo odstranit ani použitím statistických vah. K použitým datům (Směrnice č. 46/1978 = Směrnice o hygienických požadavcích na pracovní prostředí) nutno podotknout, že modelovaná závislost je funkcí více vysvětlujících proměnných, než pro které jsou zdrojové grafické přílohy vytvořeny. Např. není uvažována teplota vzduchu, relativní rychlost proudění vzduchu, barometrický tlak, podíl povrchu těla zakrytý oděvem atd., tj. veličiny mající vliv na rychlost odpařování potu z těla. Jinými slovy grafické přílohy byly z původních dat vytvořeny na základě zjednodušujících předpokladů.
24 24/24 TESTOVÁNÍ REGRESNÍHO TRIPLETU (DATA + MODEL + METODA): Fisher-Snedocorův testvýznamnosti regrese,f : E+02 Tabulkový kvantil, F(1-alpha,m-1,n-m) : E+00 Závěr: Navržený model je přijat jako významný. Spočtená hladina významnosti : Scottovo kriterium multikolinearity, M : E-03 Závěr: Navržený model je korektní. Cook-Weisbergův test heteroskedasticity, Sf : E+02 Tabulkový kvantil, Chi^2(1-alpha,1) : E+00 Závěr: Rezidua vykazují heteroskedasticitu. Spočtená hladina významnosti : Jarque-Berraův test normality reziduí, L(e) : E+00 Tabulkový kvantil, Chi^2(1-alpha,2) : E+00 Závěr: Normalita je přijata. Spočtená hladina významnosti : Waldův test autokorelace, Wa : E+00 Tabulkový kvantil, Chi^2(1-alpha,1) : E+00 Závěr: Rezidua nejsou autokorelována. Spočtená hladina významnosti : Znaménkový test, Dt : E-02 Tabulkový kvantil, N(1-alpha/2) : E+00 Závěr: Rezidua nevykazují trend. Spočtená hladina významnosti : 0.495
25 Název souboru: Priklad4 Adresář: E:\VYUKA\LS\Diskety\LS89002\Pavek\Linregrese Šablona: D:\Program Files\Microsoft Office\Sablony\Normal.dot Název: 1 Předmět: Autor: OEM Klíčová slova: Komentáře: Datum vytvoření: :48 Číslo revize: 41 Poslední uložení: :01 Uložil: OEM Celková doba úprav: 700 min. Poslední tisk: :32 Jako poslední úplný tisk Počet stránek: 24 Počet slov: (přibližně) Počet znaků: (přibližně)
Semestrální práce. 2. semestr
Licenční studium č. 89002 Semestrální práce 2. semestr Tvorba lineárních regresních modelů při analýze dat Příklad 1 Porovnání dvou regresních přímek u jednoduchého lineárního regresního modelu. Počet
VícePříloha č. 1 Grafy a protokoly výstupy z adstatu
1 Příklad 3. Stanovení Si metodou OES Byly porovnávány naměřené hodnoty Si na automatickém analyzátoru OES s atestovanými hodnotami. Na základě testování statistické významnosti regresních parametrů (úseku
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
VíceTabulka č. 1 95%ní intervaly Úsek Směrnice model L1 L2 L1 L2 Leco1-0, , , ,15618 OES -0, , , ,21271
1 Příklad 1. Porovnání dvou regresních přímek Při výrobě automatových ocelí dané jakosti byla porovnávána závislost obsahu uhlíku v posledním zkušebním vzorku (odebraném z mezipánve na ZPO a analyzovaném
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceTvorba lineárních regresních modelů
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Tvorba lineárních regresních modelů při analýze dat Zdravotní ústav
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce KALIBRACE
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba lineárních regresních modelů 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha 1 Porovnání regresních přímek u jednoduchého lineárního regresního modelu Porovnání
VíceTvorba lineárních regresních modelů při analýze dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium GALILEO Tvorba lineárních regresních modelů při analýze dat Seminární práce Monika Vejpustková leden 2016
VíceTVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Semestrální práce Licenční studium Galileo Interaktivní statistická analýza
VíceUniverzita Pardubice
Univerzita Pardubice 8. licenční studium chemometrie Statistické zpracování dat při managementu jakosti Semestrální práce Lineární regrese Ing. Jan Balcárek, Ph.D. vedoucí Centrálních laboratoří Precheza
VíceÚloha 1: Lineární kalibrace
Úloha 1: Lineární kalibrace U pacientů s podezřením na rakovinu prostaty byl metodou GC/MS měřen obsah sarkosinu v moči. Pro kvantitativní stanovení bylo nutné změřit řadu kalibračních roztoků o různé
VíceKALIBRACE A LIMITY JEJÍ PŘESNOSTI. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie KALIBRACE A LIMITY JEJÍ PŘESNOSTI Semestrální práce Licenční studium Galileo Interaktivní statistická analýza dat Brno 2016
VíceKalibrace a limity její přesnosti
SEMESTRÁLNÍ PRÁCE Kalibrace a limity její přesnosti 005/006 Ing. Petr Eliáš 1. LINEÁRNÍ KALIBRACE 1.1 Zadání Povrchově upravená suspenze TiO je protiproudně promývána v kaskádě Dorrových usazováků. Nejvíce
VíceIII. Semestrální práce
Licenční studium GALILEO STATISTICKÁ ANALÝZA DAT III. Semestrální práce 2.1 TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Ing. Marek Bilko listopad, 2015 OBSAH 2.1 TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ
VíceSemestrální práce. 2. semestr
Licenční studium č. 89002 Semestrální práce 2. semestr PŘEDMĚT 2.2 KALIBRACE A LIMITY JEJÍ PŘESNOSTI Příklad 1 Lineární kalibrace Příklad 2 Nelineární kalibrace Příklad 3 Rozlišení mezi lineární a nelineární
VíceTvorba nelineárních regresních
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Tvorba nelineárních regresních modelů v analýze dat Zdravotní ústav
Více6. 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
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium GALILEO a limity její přesnosti Seminární práce Monika Vejpustková leden 2016 OBSAH Úloha 1. Lineární kalibrace...
VíceLicenční studium Galileo: Statistické zpracování dat. Tvorba lineárních regresních modelů při analýze dat. Semestrální práce
Licenční studium Galileo: Statistické zpracování dat Tvorba lineárních regresních modelů při analýze dat Semestrální práce Lenka Husáková Pardubice 2016 Obsah 1 Porovnání dvou regresních přímek u jednoduchého
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
VíceSemestrální práce. 3.3 Tvorba nelineárních regresních modelů v analýze dat
Semestrální práce 1 3.3 Tvorba nelineárních regresních modelů v analýze dat Ing. Ján Lengyel, CSc. Centrální analytická laboratoř Ústav jaderného výzkumu Řež, a. s. Husinec Řež 130 250 68 Řež V Řeži, únor
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie na téma Tvorba nelineárních regresních modelů v analýze dat Vedoucí licenčního studia Prof. RNDr.
Více6. 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
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Kalibrace a limity její přesnosti Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Semestrální práce Licenční studium Galileo Předmět Nelineární regrese Jiří Danihlík Olomouc, 2016 Obsah... 1 Hledání vhodného
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická, Katedra analytické chemie Licenční studium GALILEO Interaktivní statistická analýza dat Semestrální práce z předmětu Tvorba nelineárních regresních
VíceAproximace křivek a vyhlazování křivek
Univerzita Pardubice Fakulta chemicko - technologická Katedra analytické chemie Dvouleté licenční studium: Počítačové zpracování dat při kontrole a řízení jakosti Aproximace křivek a vyhlazování křivek
Vícehttp: //meloun.upce.cz,
Porovnání rozlišovací schopnosti regresní analýzy spekter a spolehlivosti Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Chemickotechnologická fakulta, Univerzita Pardubice, nám. s. Legií 565,
VíceFakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Kalibrace a limity její přesnosti
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Kalibrace a limity její přesnosti Autor: Přednášející: Prof. RNDr. Milan Meloun, DrS 1. VÝPOČET OBSAHU
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě
VíceTvorba lineárních regresních modelů při analýze dat
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Tvorba lineárních regresních modelů při analýze dat Autor: Přednášející: Prof. RNDr. Milan Meloun, DrS
VíceKALIBRACE A LIMITY JEJÍ PŘESNOSTI 2015
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 15. licenční studium INTERAKTIVNÍ STATISTICKÁ ANALÝZA DAT Semestrální práce KALIBRACE
VíceFAKULTA CHEMICKO-TECHNOLOGICKÁ KATEDRA ANALYTICKÉ CHEMIE. Semestrální práce z CHEMOMETRE. TOMÁŠ SYROVÝ 4.ročník
FAKULTA CHEMICKO-TECHNOLOGICKÁ KATEDRA ANALYTICKÉ CHEMIE Semestrální práce z CHEMOMETRE TOMÁŠ SYROVÝ 4.ročník OBSAH: 1.Příklad C112 CHYBY A VARIABILITA INSTRUMENTÁLNÍCH MĚŘENÍ... 3 2. Příklad H207 PRŮZKUMOVÁ
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie na téma Kalibrace a limity její přesnosti Vedoucí licenčního studia Prof. RNDr. Milan Meloun,
Více2.2 Kalibrace a limity její p esnosti
UNIVERZITA PARDUBICE Òkolní rok 000/001 Fakulta chemicko-technologická, Katedra analytické chemie LICEN NÍ STUDIUM STATISTICKÉ ZPRACOVÁNÍ DAT PÌI MANAGEMENTU JAKOSTI P EDM T:. Kalibrace a limity její p
VíceTvorba modelu sorpce a desorpce 85 Sr na krystalických horninách za dynamických podmínek metodou nelineární regrese
Tvorba modelu sorpce a desorpce 85 Sr na krystalických horninách za dynamických podmínek metodou nelineární regrese Závěrečná práce 12. licenčního studia Pythagoras Fakulta chemicko-technologická, katedra
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba nelineárních regresních modelů v analýze dat. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba nelineárních regresních modelů v analýze dat 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha Nalezení vhodného modelu pro popis reakce TaqMan real-time PCR
VíceFakulta chemicko technologická Katedra analytické chemie
Fakulta chemicko technologická Katedra analytické chemie Licenční studium statistické zpracování dat Tvorba lineárních a kalibračních modelů při analýze dat Pavel Valášek Školní rok 2001 02 OBSAH 1 POROVNÁNÍ
VíceUNIVERZITA PARDUBICE FAKULTA CHEMICKO-TECHNOLOGICKÁ
UNIVERZITA PARDUBICE FAKULTA CHEMICKO-TECHNOLOGICKÁ SEMESTRÁLNÍ PRÁCE Kalibrace a limity její přesnosti Precheza a.s. Přerov 2005 Ing. Miroslav Štrajt 1. Zadání Úloha 1. Lineární kalibrace: u přímkové
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
Více6.2 Validace nové analytické metody
6. Validace nové analytické metody Vzorová úloha 6. Postup validace a regresní diagnostika Na úloze V6.4 Validace stanovení amonných iont$ v pitných vodách provete ovení þasov nenároþné metody stanovení
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
VícePOLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Tvorba nelineárních regresních modelů v analýze dat Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium chemometrie na téma Statistické zpracování dat Semestrální práce ze 6. soustředění Předmět: 3.3 Tvorba nelineárních
Více12. licenční studium Statistické zpracování dat při managementu jakosti. Lenka Hromádková
12. licenční studium Statistické zpracování dat při managementu jakosti Lenka Hromádková Desinfekční přípravky slouží k zneškodňování mikroorganismů (MO) vyvolávající onemocnění člověka nebo zvířat Druhy
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium GALILEO Tvorba nelineárních regresních modelů v analýze dat Seminární práce Monika Vejpustková červen 2016
Více6. 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
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 15. licenční studium INTERAKTIVNÍ STATISTICKÁ ANALÝZA DAT Semestrální práce ANOVA 2015
VíceSemestrální práce z CHEMOMETRIE I Statistické zpracování jednorozměrných dat
FAKULTA CHEMICKO-TECHNOLOGICKÁ KATEDRA ANALYTICKÉ CHEMIE Semestrální práce z CHEMOMETRIE I Statistické zpracování jednorozměrných dat DOMINIKA BURKOŇOVÁ 4.ročník 2000/2001 Dominika Burkoňová Příklad č.1
VíceSEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI. Předmě t KALIBRACE A LIMITY JEJÍ PŘ ESNOSTI
SEMESTRÁ LNÍ PRÁ CE Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI Předmě t KALIBRACE A LIMITY JEJÍ PŘ ESNOSTI Ú stav experimentá lní biofarmacie, Hradec Krá lové Ing. Martina
VíceANOVA. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie ANOVA Semestrální práce Licenční studium Galileo Interaktivní statistická analýza dat Brno 2015 Ing. Petra Hlaváčková, Ph.D.
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
Více6. 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
VíceÚlohy. Kompendium 2012, Úloha B8.01a, str. 785, Model y = P1 * exp( P2/(B801x + P3)
Úlohy Kompendium 2012, Úloha B8.01a, str. 785, Model y = P1 * exp( P2/(B801x + P3) Úloha B8.01 Závislost hmotnosti očních čoček na stáří králíků Dudzinksi a Mykytowycz (1961) ukázali, že hmotnost vysušených
VíceVÍCEROZMĚRNÝ STATISTICKÝ SOUBOR
KORELACE A REGRESE 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/..00/8.001)
VíceSemestrální práce str. 1. Semestrální práce. 2.1 Tvorba lineárních regresních modelů při analýze dat. 2.3 Kalibrace a limity její přesnosti
Semestrální práce str. Semestrální práce 2. Tvorba lineárních regresních modelů při analýze dat 2.3 Kalibrace a limity její přesnosti Ing. Ján Lengyel, CSc. Centrální analytická laboratoř Ústav jaderného
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 2.1 Tvorba lineárních regresních modelů při analýze dat Autor práce: Přednášející:
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
Více6. 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
VíceLicenční studium Galileo: Statistické zpracování dat. Kalibrace a limity její přesnosti. Semestrální práce
Licenční studium Galileo: Statistické zpracování dat Kalibrace a limity její přesnosti Semestrální práce Lenka Husáková Pardubice 2016 Obsah 1 Lineární kalibrace... 3 1.1 Zadání... 3 1.2 Data... 3 1.3
VíceMenu: QCExpert Nelineární regrese Modul nelineární regrese slouží pro tvorbu a analýzu explicitních nelineárních regresních modelů v obecném tvaru
Nelineární regrese Menu: QCExpert Nelineární regrese Modul nelineární regrese slouží pro tvorbu a analýzu explicitních nelineárních regresních modelů v obecném tvaru y = F(x,p) (1-1) kde y je nezávisle
VíceUniverzita Pardubice Fakulta chemicko-technologická. Licenční studium Statistické zpracování dat
Univerzita Pardubice Fakulta chemicko-technologická Licenční studium Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat RNDr. Lada Kovaříková České technologické centrum
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat ANOVA Zdravotní ústav se sídlem v Ostravě Odbor hygienických laboratoří
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce ANALÝZA
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
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
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
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
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat Semestrální
VícePravděpodobnost 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
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Vedoucí studia a odborný garant: Prof. RNDr. Milan Meloun, DrSc. Vyučující: Prof. RNDr. Milan Meloun, DrSc. Autor práce: ANDRII
VíceKorelační 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
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VícePosouzení linearity kalibrační závislosti
Posouzení linearity kalibrační závislosti Luděk Dohnal Referenční laboratoř pro klinickou biochemii,úkbld 1.LF UK a VFN, Karlovo nám. 32, 12111 Praha 2, ludek.dohnal@lf1.cuni.cz Paul Faigl FCDD, University
VíceStatgraphics v. 5.0 STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA. Martina Litschmannová 1. Typ proměnné. Požadovaný typ analýzy
Dichotomická proměnná (0-1) Spojitá proměnná STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA Typ proměnné Požadovaný typ analýzy Ověření variability Předpoklady Testy, resp. intervalové odhad Test o rozptylu
VíceÚloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté
Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat Kalibrace a limity její přesnosti Semestrální práce 2009 RNDr. Markéta
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět ANOVA analýza rozptylu
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
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
VíceÚvodem 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
VícePříklad 2: Obsah PCB v játrech zemřelých lidí. Zadání: Data: Program:
Příklad 2: Obsah PCB v játrech zemřelých lidí Zadání: V rámci Monitoringu zdraví byly měřeny koncentrace polychlorovaných bifenylů vjátrech lidí zemřelých náhodnou smrtí ve věku 40 let a více. Sedm vybraných
VíceZadání Vypracujte písemně s využitím paketu ADSTAT a vyřešte 3 příklady. Příklady postavte z dat vašeho pracoviště nebo nalezněte v literatuře. Každý
0. Licenční studium Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat Vladimír Bajzík Liberec, únor, 007 Zadání Vypracujte písemně s využitím paketu ADSTAT a vyřešte 3
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
VíceStatistika (KMI/PSTAT)
Statistika (KMI/PSTAT) Cvičení dvanácté aneb Regrese a korelace Statistika (KMI/PSTAT) 1 / 18 V souboru 25 jedinců jsme měřili jejich výšku a hmotnost. Výsledky jsou v tabulce a grafu. Statistika (KMI/PSTAT)
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceKanonická korelační analýza
Kanonická korelační analýza Kanonická korelační analýza je vícerozměrná metoda, která se používá ke zkoumání závislosti mezi dvěma skupinami proměnných. První ze skupin se považuje za soubor nezávisle
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
Více