Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace
|
|
- Vlasta Marešová
- před 8 lety
- Počet zobrazení:
Transkript
1 Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu je ma fa m Klascká defnce pravděpodobnost: pro m je f A P(A) pravděpodobnost výskytu jevu A.Platí pro statstcky stablní jevy, kdy pro m konverguje f A ke konstantě P(A).
2 Základní pojmy II Dskrétní náhodná proměnná: nabývá pouze jstých hodnot 0,,,... K. Pravděpodobnostní funkce P( X ) udává pravděpodobnost s jakou X nabývá hodnoty právě. echť n je počet realzací př hodnotě " " a je celkový počet realzací. Pak n PX ( ) Platí, že ΣP(X) F() P () o () o Základní pojmy III Spojtá náhodná proměnná: nabývá lbovolné hodnoty z defnčního ntervalu. P( X + d) f() d F() f() Tedy pro spojté náhodné velčny ny P(X) 0 Hustota pravděpodobnost platí pro ní P ( X + d) f( ) d ormalzační podmínka f() d () o () o P d f() není pravděpodobnost, ale
3 Základní pojmy IV Hustota pravděpodobnost f() (probablty densty functon) Vlastnost f():. kladná f() 0. normalzovaná f() d Dstrbuční funkce F() (cumulatve densty functon). Vlastnost F():. Ohrančená zdola F(- ) 0, a shora F( ). eklesající F(+d) F() 3. P(X ) F() Platí, že P( X < ) F( ) - F( ) Základní pojmy IV Kvantlová funkce Q(u) pro 0 u<. ~ α ~ α Qu ( ) F ( ) f( d ) ~ α Q(α) označení α-kvantl. Platí, že P(X < ) α Kvantlová funkce je nverzní k dstrbuční Q(u) F - (). f() F() Q(u) ~ α α α ~ α ~ α u
4 K MK f( ) d M K Základní pojmy V Specální momenty: Střední hodnota (matematcké očekávání) M E(X) μ První centrální moment C 0 Rozptyl C D(X) σ Vlastnost střední hodnoty: E(X) M (μ) Konstanty A, B E(A X ± B) A.E(X) ± B Vlastnost rozptylu: D(X) C σ D(X) E((X - E(X)) E(X - X E(X) + E(X) ) E(X ) - E(X) Konstanty A, B K CK ( M ) f( ) d ( M C K ) D(A X ± B) A D(X) K K Autokorelace ε ρ *ε + u Modely měření I ( ) D ( ) Adtvní model μ + ε Heteroskedastcta kde μ skutečná hodnota a ε je náhodná dh( ) D( h( )) * σ chyba s rozdělením f (ε ) d Du Předpoklady o chybách: střední hodnota je nulová, E( ε ) 0 rozptyl je konstantní D( ε ) σ chyby jsou vzájemně nezávslé E( ε * ε j ) 0 chyby mají normální rozdělení ε (0, σ ) Pokud tyto předpoklady o chybách platí, že výsledky měření mají normální rozdělení. ( μ, σ ) σ σ ρ Dh ( ( )) h()ln() σ δ δ.. varační koefcent
5 Modely měření II Multplkatvní model ln() ln( μ ) + ε kde předpoklady o náhodných chybách ε jsou stejné jako pro advní model Pokud platí, že ln( ) ( ν, τ ) má výsledek měření lognormální rozdělení s parametry μ ep( ν + τ / ) σ μ (ep( τ ) ) Geometrcký průměr μ * ep( ε) μ ep( E(ln( ))) P( μ ) P( ep( ν )) P(ln( ) ν ) 0.5 G med ( ) G ep( ν ) μ G ep( ν ) Škmost 0.35 a vyšší ukazuje na nutnost použít tří parametrový model s prahovou hodnotou A Multplkatvní model -analýza Logartmcká transformace adtvních dat ln( ) ln( μ + ε ) ln μ + ln( + ε / μ) A () () + * ( n) ( n) ~ 0.5 * ~ Odhady parametrů ˆ ν ln ˆ μ ep( ˆ ν + ˆ τ / ) τˆ (ln ˆ) ν μ D( ˆ) μ Rozptyly [ep( τ ) ] D( ˆ μ ) E( ˆ μ ) [ep( τ / ) ] G G ln( ) ln( μ + ε ) ln μ + ε / μ 0.5 * ( ε / μ) E(ln ) ln μ 0.5* δ D(ln ) * δ 4 6 δ +.5 * δ * δ * δ E( ˆ μ G ) ep( ν + τ δ σ / μ + ( ε / μ) 3 / ) / 3 ( ε / μ) / 4...
6 Přesnost a správnost měření přesná a nesprávná nepřesná a správná nepřesná a nesprávná přesná a správná Vybočující hodnoty Momentová metoda: pro vybočující hodnoty j platí * K. s* j c [ ] K c g *.log( / 0) *, s*.. odhady vypočtené z čstých dat. g *... odhad škmost z čstých dat ormalní rozdělení g 3 K c.89 Rovnoměrné rozdělení g.8 Kc.77 Laplaceovo rozdělení g 6 K c.09 g *. ( ) [ ( ) ] 4
7 Bnomcké rozdělení Bnomcké rozdělení B(,p)) Bnomcké rozdělení má náhodná velčna X vyjadřující počet výskytu jevu A (příznvý výsledek) v nezávslých pokusech. Pravděpodobnost výskytu jevu A (příznvý výsledek) v jednom pokusu je p a jevu A (nepříznvý výsledek) je q - p. Pravděpodobnostní funkce P Dstrbuční funkce ( ) * p *( p) F ( ) * p *( p) 0 Střední hodnota: E(X) p Rozptyl: D(X) p ( - p) X p je počet příznvých jevů v nezávslých pokusech p p Possonovo rozdělení Possonovo rozdělení Po(λ) má náhodná velčna X, která je rovna počtu jevů vdaném časovém nebo prostorovém ntervalu Pravděpodobnostní funkce P ( ) λ * e λ Dstrbuční funkce F( ) λ * e 0 Střední hodnota E(X) λ Rozptyl D(X) λ λ kde je artmetcký průměr počtu jevů v daném časovém nebo prostorovém ntervalu λ /! /!
8 ormované normální rozdělení U (0,) P( -.65 U.65 ) 0.90 f() 0.05 P( -.98 U.98 ) 0.95 f(3) 0.04 P( -3 U 3 ) f(4) ormální rozdělení ormální rozdělení ((μ, σ ): Hustota pravděpodobnost f( ) e * π Dstrbuční funkce μ F ( ) Φ( ) Φ( ) Střední hodnota: E(X) μ Rozptyl: D(X) σ Škmost: Špčatost: g 0 g 3 μ Σ / ( ) σ σ * π ( μ) / σ y ep( ) dy 0, , Matematcká statstka Populace X vzorkování Výběr { },... f(, μ, σ, g, g ) f ( ), μ, σ, g, g Symbol " " označuje odhady parametrů nebo hustoty pravděpodobnost zdat. a Bodové odhady Parametr a, odhad je náhodná proměnná. Vychýlení odhadu b a E( ) a Pokud je b 0 jde o nevychýlený odhad. Rozptyl odhadu D( ) a je charakterzací "přesnost odhadu"
9 ormální rozdělení μ Parametr odhad rozptyl Parametr σ odhad rozptyl s D ( ) σ Ds ( ) * σ 4 Intervalové odhady X d PL ( a L) α "IS": nterval obsahující se zadanou pravděpodobností (-α) parametr a. ( - α) koefcent konfdence, statstcká jstota (0.99, 0.95) α hladna významnost (α 0.0, 0.05) X μ X + d f( ) a Jednostr. f( ) a Oboustr. α α / α / větší užší IS větší σ šrší IS větší α užší IS L - a L L al
10 Platí pouze pro normální rozdělení! Konstrukce IS data... (μ, σ ) t ( μ)/ s. Studentovo rozdělení, d.f. - χ ( ). s / σ Chí-kvadrát rozdělení, d.f. - P( t ( μ)/ s. t ) α α/ α/ t./ s μ + t./ s α/ α/ f(t) v00 v5 v t f (a) α/ α/ -t -α/ 0 t -α/ Interpretace IS 95% nterval spolehlvost. správná nterpretace 95% confdence se týká četnost jevu A Jev A: X.96 σ / n < μ < X +.96 σ / P(A) % všech ntervalů spolehlvost obsahuje µ. n
11 Testování hypotéz I Hypotéza: předpoklad o rozdělení a jeho parametrech (H) Testování: rozhodnutí o H na základě nformací z výběru H 0 : základní (bázová) hypotéza H A : alternatvní (přjatá, když nelze přjmout H 0 ) Testovací statstka: T(,... n ) f(t) H a : μ > μ 0 A H 0 : μ μ 0 H a : μ μ 0 A H 0 (α 0.05) H A H A α 0.05 C C C Testování hypotéz II Chyba prvního druhu [α]: H 0 platí, ale nebyla testem přjata Chyba druhého druhu [β]: H 0 neplatí, ale byla testem přjata f(t) H 0 H A A R T -α α β α F β -β
12 Test o střední hodnotě σ : neznámé ulová hypotéza: H 0 : μ μ 0 μ Testová statstka: t 0 s / n Alternatvní Hypotéza H H H a a a : μ > μ : μ < μ : μ μ ether Oblast zamítnutí t t t t t t α, n α, n α /, n or t t α /, n Testy ormální data
13 6% 4% % Škály měření: 6% 6% 9% A. omnální ( jmenná) B. Ordnální ( pořadová) C. Kardnální ( číselná) 7% 6% 7% 0% % 8% 9% Uspořádání dle množství nformací o měřených znacích. Škála vyššího typu zahrnuje škály předcházející omnální škála ejslabší typ a... a... a k počty prvků K kategore n n n k absolutní četnost n Operace: určení různost resp. rovnost ( ) a a a a Relatvní četnost n n n f f k f k Rozložení souboru na dsjunktní část, mez kterým nejsou žádné relace. Třídy (část) mohou být lbovolně pojmenovány. (Čísla jména). Vhodné pouze pro klasfkac objektů. Požadavky: jednoznačnost zařazení, estence, rozlštelnost Relatvní četnost f - odhad pravděpodobnost p Interval spolehlvost f ± u * f ( f )/ α /
14 66 výrobků: pravděpodobnost nevyhovujícího 0.5 Zpracování dat Testy pravděpodobnost (podílů) ulová 60 hypotéza: H 0 : p p 0 40 pˆ p Testová 0 0 statstka : z 00 leží pv 0( tomto p0) / nntervalu. p Alternatvní Hypotézy Oblast nepřjetí n H a : p > p0 z zα 05. ( 05. ) H : p < p z z H a a : p 0. p Smulated Data: p ether 0.44 z Jde o bnomcké rozdělení a musí platt 95% of výběrových podílů z α or z z α / α / Proporton of Successes p ± u /* p ( p )/ α u -α/,98~ np0 0 and n( p0) Relatvní četnost f - odhad pravděpodobnost p Zpracování dat Testy pravděpodobnost (podílů) ulová hypotéza: H 0 : p p 0 Testová statstka : z Alternatvní Hypotézy H H H a a a : : : p > p < p p p p ( p Jde o bnomcké rozdělení a musí platt p 0 pˆ p ether 0 0 ) / n Oblast nepřjetí z z z z α z z α or z z α / α / np0 0 and n( p0) 0.
15 Ordnální škála a... a... a k počty prvků k kategore n n n k absolutní četnost a) Určení různost a nerovnost n b) Určení vztahu větší/menší > < kumulatvní četnost F F f F f + f j F k Dohoda: od nejslabšího Příklad: stupnce jakost k nejlepšímu. Obecně bodování nebo známkování Stálost ( - 5 ) Světlo ( - 8 ) Vzhled ( - 5 ) j evyhovující 0 A Podprůměrná B Průměrná C Dobrá 3 D Vynkající 4 E f j Charakterzace rozdělení Poloha:. Medánová kategore ( kategore, kde je 50 % dat) ME... [F ME - < 0.5 ; F ME 0.5]. Medán ordnálního znaku ~ FMe Me+ 05. f Me c Kde c je část dat medánové kategore zařazených k horní polovně
16 Vlastnost ordnálního medánu ~ 05. K ~ 05. f ~. K f k 05 ~ Me f f 05. ~ 05 Me K Me+ Hodnota. ukazuje posun 50 %-ního dělícího bodu, čím je vyšší, tím se data koncentrují ve vyšších kategorích. Charakterzace rozdělení Varablta: Dskrétní ordnální varace dorvar K K K dor var. F. ( F). F F Vlastnost 0 dor var ( K ) / dor var 0 pro případ, že f dor var ( K ) / pro případ, že f f K 05. Čím více jsou rozptýlená data, tím je dorvar větší
17 Interval spolehlvost pro populační medán Med Kumulatvní četnost α005. Pro Z α Určení kategore D, kde leží Výpočet korekcí * FD FD d f D Interval spolehlvost * * ( FD FH) F D * h * *, ( FD FH), 05. ± α.. Z n Určení kategore H, kde leží F * H f F DH H SM D d HM H h S Med H M M F H * F D * 05.. * H Příklad F D H d 07. h Subjektvní hodnocení omaku tetle (00 dívek) S M H M třída n f F evyhovující Podprůměrný Průměrný Dobrý Vynkající Medán: Me 4 ~ Med 4083.
18 Tř stavy Znaménková a preferenční data Asymetre přrozená A* případ f + A* - případ f - A* 0 případ f + f - A* > 0 převaha + A* < 0 převaha - A* f+ f Zhoršení eutrální Zlepšení n -, f - n 0, f 0 n +, f + Asymetre vzhledem ke krajům A případ f - 0 A - případ f + 0 A 0 případ f - f + A > 0 převaha + A < 0 převaha - f + f A f + f + ( > 30; n -, n + > 5) Interval spolehlvost pro A eparametrcký postup A D tgh( a ) A tgh( a ) D H P( A < A < A ) α ad a Z α/. sa ah a + Z α /. s a f + ln f s + A n+ n A < A < D A H D H a H
19 Příklad Vlv změny střhu na pocty př nošení u 48 respondentů n 7 0 f 0,354 0,438 0,08 A a s A ln a D a H AD tgh( 033. ) 03. A H tgh ( ) < A < 058. edošlo k výraznému zlepšení! Kardnální škála ejslnější typ (číselná proměnná) - metrka. Jsou přípustné artmetrcké operace. Intervalová škála Určená s přesností do lneární transformace Yc.+b. Příklad: měření teploty. Poměrová škála má přrozený pořádek (b 0) a je určena s přesností do proporconální transformace Y a. Příklad: fyzkální měření (délka, hmotnost, pevnost,...) Většna užtných vlastností je v kardnálních škálách.
20 Zpracování dat ekategorzovaná data { },... je náhodný výběr složený z nezávslých prvků homogenní normálně rozdělený Ověření těchto předpokladů (vz ZED) ormalta: Q - Q grafy, vynáší se () prot u P, P /(+) Vybočující hodnoty: metoda barer (vz ZED) Ranktové grafy normální zeškmení vlevo 3 zeškmení vpravo 4dlouhékonce 5 krátké konce () < () <... < () P + Ranktové grafy Q TS (P ) u P kvantly normovaného normálního rozdělení. Apromace () T + u P S Q TS ( P ) ( ) 9,4 * ln(/ P ) P ep( ln(/ P ) 4 + π 3 () u P 5 / ) d 4 u P u P
21 Odhady parametrů Poloha: Rozptýlení: průměr medán ~ rozptyl s 05. směrodatná odchylka s Varační koefcent v s /.00 Pro případ normálního rozdělení dat ~ ( μσ, ) D( ) σ D( ~. 05. ) πσ. 4. σ σ Ds ( ) Ds ( ).( ) + δ.(. + ) Dv ( ) δ. δ..( + ) populační medán μ σ Klascká analýza s a 00. ( - α) % má nterval spolehlvost střední hodnoty s t α/ ( ). μ + t α/ ( ). Varační koefcent v [%] a nterval spolehlvost pro δ asymptotcky v v Z α/. D( v) δ + Z α/. D( v) Účelem je odhad střední hodnoty měřeného parametru a jeho nepřesnost s
22 Robustní analýza Medán ~ 05., robustní odhad rozptylu s R a nterval spolehlvost pro populační medán Med ( k+ ) ( k ) + sr k Z α/. / 4. Z α / Obyčejně se volí α 0.05 ( u - α/..96). Pro nterval spolehlvost je ~ t ( ). s Med ~ + t ( ). s 0. 5 α/ R 0. 5 α/ R Etrémně malé výběry ( 0) Vždy vysoká nejstota velký vlv vybočujících měření.. Určí se z {, } %-ní IS. 7 μ +. 7 Obecně se místo koefcentu.7 dává koefcent závslý na typu rozdělení 3. Určí se odhad *. 95 %-ní IS pro μ je (průměr ze dvou nejblžších hodnot) s s * 43. μ *
23 Etrémně malé výběry ( >4) Hornův postup: (pro malé výběry ) { } -,,... Pořádkové statstky { () } {,3,,6,.5} {,.5,,3,6} Hloubka pvotů: nt [( + ) / nt ] [(( + ) / ) + ] H H Kvantly K Dolní pvot: D () pro různá (H) K () Horní pvot: U ( + -H ) Poloha D + U PL Rozptýlení RL U D %-ní IS střední hodnoty P R. K ( ) μ P + R. K ( ) L L L L Příklad Měření pevnost ba vláken. { },... 5 {0.53, 0.677, 0.7, 0.065, 0.848} { () } {0.065, 0.7, 0.53, 0.677, 0.848} H D ( ) 07. U ( 6 ) P L 044. R L L K ( 5) 094. U.33 μ. 8
24 Kategorzovaná data Vznkají tříděním číselných údajů do ntervalů, které jsou třídam nového znaku. Jednotlvým třídám přřazujeme číselné hodnoty j (střed ntervalu,...). Dskrétní, kardnální, četností kategorzace, pseudo kategorzace. Třída j n j f j F j Délka vláken Třídy přrozené číselné vyjádření (počet vad) sloučení údajů {,,... K } {,,... K} A a a a K < K Sloučení údajů: n n n 3 * průměr D, H D * třídní nterval H H D * D 3 3 * D 3 * D + ( H D )/ ( D + H )/ délka třídy Δ H D
25 Volba kategorzace Parametry: D, K,Δ D + K Δ >. ( ) [ ] 0. Δ ( ) 0 < ( ) Δ k Δ D > 00 K nt [ 0.log( ) ] f() K nt [. ] < 00 K nt [ ln( ) ] Unversálně K nt [ 64..( ) 04. ] stejné plochy delší kratší kratší delší ekonstatní délka tříd Ekv pravděpodobnostní prncp. Charakterstky polohy Me... medánová kategore a) Konstantní Δ Medán ~.. /. F Me Me + Δ Δ b) obecně: l ~ FMe Me ΔMe. Medán f 05. K K Artmetcký průměr: f. * n. * * f * f ( A) mn pro A K Geometrcký průměr: (kladná data velký rozsah) K K C f j G ( j*) ep f.ln( *) j
26 Směrodatná odchylka s s ( f. * ) Dorvar Rozptyl Vlastnost: Charakterstky rozptýlení Dor var. Δ. F.( F ) K K. s 0...všechna data v jedné třídě f. Mamálně s ma ( K* - * ) / 4 f f K Čím větší s tím více se data vzdalují od. K s f.( * ) ( f. * ) K Špčatost Charakterstky asymetre A s f.( * ) s. s 3 f() A s > 0 A s 0 symetre A s > 0 zeškmené vpravo A s < 0 zeškmené vlevo f() A s < 0
27 n df d f d f f( ) f( ) n!. ( ) ( ) d!. ( ) ( ).. d n!. ( ) ( ) d epřímá měření Měření{ },..., s Výsledek y f () f (. ) ne-lneární známá funkce průměr-plocha Odhad y, s y Taylorův rozvoj : v okolí df() Ef ( ) y f d E d f() () () + ( ) +. E ( ) d 0 s d f() y f() +.. df( ) s Df ( ( ) f( ) ) s D y. ( ) d d df( ). s d s y df( ) d. s n Příklad Měříme poloměr r (,..., ) a máme určt plochu příčného řezu ze znalost, r A π.r A p π. r + π. sr π.( r + s s 4. π. r. s y varační koefcent v s Ap π. r.( + v ) r ) s r Obecně D ( ) E ( ) E ( ) E( ) D( ) + E( ) přesné měření v 0. S 0.. π. r nepřesné měření v 05. S 5.. π. r
28 Měření Případ více proměnných, s,..., m s m známe f (,..., ) m Vektor průměrů (,,..., m ) s m m f ( ) f ( ) f ( ) f ( ) + ( ) + ( ) + m m f ( ) + ( )( j j ) +... j> m m m f( ) f y f( ) +. ( ) s + cov(, j ) y j> j m f( ) m m f f m m ( ) ( ) f( ) s j s s +...cov(, ) +.. j j> j j> j běžně se zanedbává j Příklad Měření hmotností g a délek L vláken. Účelem je výpočet jemnost př znalost: T g, s, L, s g L Měření jsou nekorelovaná cov (g,l) 0 g g T L L s g +. L.( + v 3 L) L Střední hodnota jemnost souvsí pouze s přesností měření délky
29 Transformace dg( σ y) dat d Potřeba: Stablzace rozptylu Symetre rozdělení Přblížení k normaltě Předpoklad: ne-konstantní rozptyl, zeškmené rozdělení a ne normalta jsou důsledkem nelneární transformace F(y) původně normálních dat ) ( mean(') Rozptyl měření Transformace y g() f ( ) UCL' konst. F[mean(')] mean() g( ) c * σ ( ) f( ) F - () d f ( ) F(UCL') Konstantní relatvní chyba měřění δ σ / σ δ f() d g( ) c * ln( ) Optmální je log transformace Mocnnná transformace Pokud mělo symetrcké rozdělení s konstantním rozptylem σ,je rozdělení y f( ) P nesymetrcké s nekonstantním rozptylem. P P σ y σ P σ.( )... P P P P P P P y +.( ) s +.( )... v. Použtí symetrzační transformace: Z f( ) / P y / Z. Z y P y /. P P P...artmetcký průměr P -...harmoncký průměr P...kvadratcký průměr
30 Výpočty souvsející s jemností I -tce úseků příze délky L o hmotnostech g. Úsek.L má hmotnost g g v Cm. L g Běžný (nesprávný postup) Cm L CmA g v v v Cm [ v ] v v L L C ma.. C m + g. g + ( g g) / g g Výpočty souvsející s jemností II v Symetrzační transformace Cm ~ g P Cm v Cm v H Cm H v Cm. / v L. Cm g g. L v L g g v C m v L Cm. L g
31 Výpočty souvsející s jemností III Přepočet jemností: v Cm 000 g T ~ g L T OpětjeP - g T. L v Cm H T 000. T 000 T ení vhodný artmetcký průměr v 000 CmA T A g. L T T artmetcký průměr P Příklad Tkalcovská příručka Příze úkolem je odhadnout Čm T 5 te, v Cm A v Cm H Taylor T [ vt ] v Cm T A nesprávně vysoké rozdíl
32 Teore měření Relace vstup výstup y μ + ε { } známe y P y f() y,,... y, s s měřítko přesnost měření P y μ měřítko správnost S y y y y μ μ μ μ S 0 S 0 P-S P-S P-S P-S Typy odchylek Absolutní odchylka Relatvní odchylka Δ y μ Δ / y ( 00) δ Δ ΔS + Δ y μ + y y Obecně: Δ, Δy, ρ... korelační koefcent δ ( ρ / 3 Δ 0 Δ S Δ.. systematcká odchylka.. náhodná odchylka.. přesnost přístroje, lmtní
33 P Vyjadřuje třídu přesnost přístroje Adtvní chyby I Chyby nulové hodnoty y nterval neurčtost Δ δ δ Δ 0 Δ 0 Δ 0 Δ 0 L... dolní lmta pracovního ntervalu U... horní lmta pracovního ntervalu R... pracovní rozmezí u - L Redukovaná relatvní odchylka δ R Δ 0 / R Adtvní chyby II P Práh ctlvost: vstupní hodnota c, pro kterou je δ (00%) δr R Δ0 Δ0( Rδ0) c, δ c Rδ0 00 δ p c s c Chceme malé hodnoty δ pro malé (p 0. (0.05)). Spodní mez pracovního ntervalu Δ 0 / p / p S Omezené použtí přístrojů ( jen pro velká )! c
34 Multplkatvní chyby P (nekonstatní přesnost) Chyby ctlvost: y nterval neurčtost Δ δ δ s. δ s Třída přesnost Mezní přesnost Absolutní odchylka δ S konst. P Δ 0 δ S. U Δ P. Kombnované chyby y nterval neurčtost Δ δ P Δ δ Δ 0 + δ S δ Δ 0 /+ δ δ + R δ R 0 S / S δ0 Δ 0 /R Třída přesnost P /P : δ, P δ 0 δ p + p ( / ), Δ p + p ( ) U δ s S U
35 Odhady chyb měření I Momentové Δ,,... σ Δ Pro Δ0 (střední hodnota chyb E( Δ ) 0 ) je σδ σ, σ ( ) Pravděpodobnostní nterval Chyby mají symetrckou hustotu pravděpodobnost s E( Δ ) 0 Hustota pravděpodobnost f ( Δ) a dstrbuční funkce F( Δ). P f() -k.σ 0 k.σ μ+ Δ, f( ) f( Δ+ μ) P ( kσ Δ kσ) Fk ( σ) F( kσ) F( kσ) Pro řadu rozdělení platí, že pro P 0.9 je k.64!!! Odhady chyb měření II Kvantlové: Interkvantlová odchylka V tomto ntervalu leží P (-q). 00% chyb. f() q/ -q q/ ~ / q ~ q/ K ( ~ ~ )/ q q/ q/ P... statstcká jstota Mezní chyba měření Střední chyba Pro normální rozdělení (vhodné pro přesná měření). Pravděpodobná chyba: Pro normální rozdělení σ Δ Chyba pro neznámé rozdělení: P 0.9 Pro řadu rozdělení σ σ σ ΔP K q σ Δ05 ( ~ ~ )/... σδ σ σ Δ0 683 ( ~ ~ )/... σ Δ 09 ( ~ ~ )/ Δ σ
36 Odhady chyb měření III Sčítání dílčích chyb σδ 09. σδ09. () Obecně platí σδ P H σ H fce( P, g ) Šíření chyb měření σ V () σ + cov(, j) m j> H Z 3 [ g ] ( 6. ) / log log P σ... chyba způsobená -tým zdrojem a) nezávslé chyby σv σ geometrcký průměr () b) lneárně závslé (cov σ σ j) σv σ artmetcký průměr () Z Měřcí přístroje τ... rozptyl měřcího přístroje σ... rozptyl měřeného materálu * f ( y) f (, y) f ( ) d f( y) ( μσ, + τ ) Ctlvost měřcích přístrojů y Δy α y S b f( ) ( μ, σ ) f * (, y) (, τ ) f() f*(,y) f(y) M y Δ y dy lm Δ 0 Δ d m m y tg α Δ [jednotky] * [délka]
37 Sérová Paralelní Kompenzační vazba Kombnace prvků f f [ n,... [ ( )]] y f f f f S n... dy dy dy dyn,... d d dy dy f y n f y Σ y... f n y n y Σ f f f n () S y S [ ] n y n y f f ( y), y S d dy S S. S [ S S ] dy d / Kompenzační vazba je případ vážení! Moduly Přepočet délkových jednotek na fyzkální ma m * ma ma ( m ) + m mn mn * mn * * mn [J] Obyčejně * * ma mn * ma 0 m, m mn mn * mn * ma [d] Modul m [J / d]... násobení
38 Porovnání dvou měřcích přístrojů Mějme dva měřcí přístroje a a b pro měření téže velčny. O měřené velčně předpokládáme, že má normální rozdělení (μ, σ ) Přístroj a měří se systematckou chybou (vychýlením ) B a a chyby měření ε a mají normální rozdělení (μ, σ a ) Přístroj b měří se systematckou chybou (vychýlením ) B b a chyby měření ε b mají normální rozdělení (μ, σ b ) a b Modely měření: Přístroj a y Ba + + εa Přístroj b y z z Bb + +ε b Pak platí ekorelované chyby měření cov( ε, ε ) cov( ε, ) cov( ε, ) 0 a b a b Ey ( ) B a +μ D(y) σ + σ a Ez ( ) B b +μ D(z) σ + σ b cov( z, y) E( z* y) E( z) * E( y) B * B + μ * ( B + B ) + E( ) ( B μ)*( B μ) E( ) E ( ) σ a b a b a b Kovarance mez výsledky dvou přístrojů je tedy rovna rozptylu měřené velčny
39 Zpracování dat Měření na stejných vzorcích (y,z )... Standardním způsobem lze určt yzs,, z, sy a kovaranc czy (, ) ( y y)*( z z) Odhad varablty měřeného materálu σ je σ czy (, ) Rozdíl systematckých odchylek Odhad chyby měření pro přístroj a Odhad chyby měření pro přístroj b B B y z a b s y c ( z, y) s c ( z, y) Pro odhad střední hodnoty musíme znát alespoň jedno vychýlení nebo předpokládat, že jedno vychýlení je zanedbatelné. apř. B a 0. μ y B z y σ a σ b z b Testy I Porovnání přesnost přístrojů: H0:σa σb tj. oba přístroje jsou stejně přesné Pomocné velčny u y + z Ba + Bb + * + εa + ε b u y z B B + ε ε a b a b Snadno se určí, že D u) 4 * σ + σ + σ D(v) σ + σ cov(, ) σ σ ( a b a b Pro korelační koefcent platí, že ρ(, ) uv a b σa σb uv a b a b 4 *( σ + σ + σ )*( σ + σ )
40 Testy II Test hypotézy H0: ρ ( u, v) 0 je shodný s testem hypotézy H0:σa σb Za předpokladu normalty lze pak použít testovací statstku ρ ( uv, )* T ρ ( uv, ) Velčna T má za předpokladu platnost hypotézy H o Studentovo rozdělení s - stupn volnost. Pomocí proměnné v lze testovat hypotézu H0: v 0, což odpovídá hypotéze o stejném vychýlení obou přístrojů H0 : Ba Bb S využtím standardního t testu lze dospět ke statstce v * ( Ba Bb Tv )* σ v σ + σ * σ a b Velčna T v má za předpokladu platnost hypotézy H 0 Studentovo rozdělení s - stupn volnost. Testy III Test hypotézy, že je jeden z přístrojů přesný. Pro případ hypotézy a b (σ resp. σ 0) Pro případ hypotézy tvar H 0 a :σ 0 σσ a b ( σ ) C0 *ln[ σ *( σ + σ * σ a a b má testovací statstka Velčna C 0 má za předpokladu platnost hypotézy H 0 rozdělení χ s jedním stupněm volnost (platí, že 384 ) χ ]
41 KALIBRACE Typcký problém př nemožnost přímého měření y... nesnadno měřtelná (hledaná) velčna (T - target) Koncentrace, teplota, omak, vlhkost.... snadno měřtelný sgnál (M - measurement ) Elektrcké napětí, proud, vzdálenost,.... Postup př kalbrac a) Sestavení kalbračního modelu Kalbrační vzorky... esnadná měření y y... y n f(y) Snadná měření... n b) Použtí kalbračního modelu (výpočet predkce ) neznámý vzorek y známé měření y f - ()
42 Typy kalbrace C - kalbrace ( y... determnstcké ) f ( y, a) +... (nutná nverze př predkc ) ε σ y ce I- kalbrace (... determnstcké) y f (, b) + ε... σ y y y n (přímá predkce ) 0 - kalbrace ( obě proměnné jsou náhodné) y y y f ( + ε, b) + ε... P σ / σ P... mnmalzace kolmých vzdáleností (je třeba znát poměr rozptylů P) Modely působení poruch y G( f (, b), ε ) y adtvní.... y f (, b) + ε multplkatvní.... ln y ln f (, b) +ε λ ( ) ( λ obecné (mocnnné).... y f ) (, b) +ε
43 Kalbrační přímka I Výchozí data ( y, ),..., n Standardní výpočty parametrů n, y, sy, s, C(, y) ( y y)( ) n C - kalbrace a + a y+ ε, ε ( 0, σ ) 0 C(, y) MČ odhad + ( y y ) s y a y C(,)/ y sy, a 0 a y Predkce y /, a a a y y sy 0 ce + C(, y) ( ) Kalbrační přímka II I - kalbrace ε ε 0 σ y y y y b + b +, (, ) 0 MČ odhad (přímo predkce ) y n Cy (, ) Cy (, ) y y ( ), n + b s s Pro známé P C y /σ O - kalbrace σ c RSC n [ ( (, )) ] sy Ps y0 y Θ+ sy C y Θ + P ( ), Θ Cy (, )
44 Porovnání C a I kalbrace Platí, že ( y y) abs( y y) < abs( y y) n n ce σ e b sy n ( ) + b n sy ( y y) K < a) y n je blíže k centru než y ce, b) pro σ c 0 je K a, y n y ce c) I - kalbrace lépe vysthuje chování dat v oblast centra (, y) a C - kalbrace na krajích, d) pro je I - kalbrace lepší v oblast MSE E ( y y ) y e y e ( y s + σ / b ; y+ s + σ / b ) ce y Příklad C - kalbrace y, ce I - kalbrace y n číslo měření výsledek y měření 5 4 6,5 3 4,5 6, , ,5 7 6, , ,75 0, ,5 9,5 0,5 3 0,5
45 Kalbrační přímky Ym Xm S y S 6.07 C(,y) dm.377 dh I kalbrace C kalbrace Výběr typu kalbrace Proměnná (M) : obyčejně dost přesně stanovená (elektrcká velčna), ε zahrnuje především neuvažované proměnné (teplota,...) σ... může být nekonstantní Proměnná y (T): určená z eterních nformací (jné přístroje, etalony,... ), ε y zahrnuje chyby měření, σ y.... je obyčejně rostoucí funkcí y. Poměr rozptylů P σ y / σ se může měnt v mezích (0, ). I- nebo C- na základě rozptylů nebo použtí kalbrace.
Charakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
VíceTransformace dat a počítačově intenzivní metody
Transformace dat a počítačově ntenzvní metody Jří Mltký Katedra textlních materálů, Textlní fakulta, Techncká unversta v Lberc, Lberec, e- mal jr.mltky@vslb.cz Mlan Meloun, Katedra analytcké cheme, Unversta
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha
ANOVA Analýza rozptylu př jednoduchém třídění Jana Vránová, 3.léařsá faulta UK, Praha Teore Máme nezávslých výběrů, > Mají rozsahy n, teré obecně nemusí být stejné V aždém z nch známe průměr a rozptyl
VíceStatistická šetření a zpracování dat.
Statstcká šetření a zpracování dat. Vyjadřovací prostředky ve statstce STATISTICKÉ TABULKY Typckým vyjadřovacím prostředkem statstky je číslo formalzovaným nástrojem číselného vyjádření je statstcká tabulka.
VíceIDENTIFIKACE BIMODALITY V DATECH
IDETIFIKACE BIMODALITY V DATECH Jiří Militky Technická universita v Liberci e- mail: jiri.miliky@vslib.cz Milan Meloun Universita Pardubice, Pardubice Motto: Je normální předpokládat normální data? Zvláštnosti
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
VíceAplikace Li-Ma metody na scintigrafické vyšetření příštítných tělísek. P. Karhan, P. Fiala, J. Ptáček
Aplkace L-Ma metody na scntgrafcké vyšetření příštítných tělísek P. Karhan, P. Fala, J. Ptáček Vyšetření příštítných tělísek dagnostka hyperparatyreózy: lokalzace tkáně příštítných tělísek neexstence radofarmaka
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
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
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VícePředpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2
Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik
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)
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
Více6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceInterpretační dokumenty ID1 až ID6
Prof. Ing. Mlan Holcký, DrSc. ČVUT, Šolínova 7, 66 08 Praha 6 Tel.: 224 353 842, Fax: 224 355 232 E-mal: holcky@klok.cvut.cz, k http://web.cvut.cz/k/70/prednaskyfa.html Metody navrhování Základní pojmy
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceSimulační metody hromadné obsluhy
Smulační metody hromadné osluhy Systém m a model vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělt fyzckou neo myšlenkovou hrancí Model Zjednodušený, astraktní nástroj používaný pro
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VícePřednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
Více4ST201 STATISTIKA CVIČENÍ Č. 7
4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
Více9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně
9. Měření knetky dohasínání fluorescence ve frekvenční doméně Gavolův experment (194) zdroj vzorek synchronní otáčení fázový posun detektor Měření dob žvota lumnscence Frekvenční doména - exctace harmoncky
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceAproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
Vícepodle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y
4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VícePŘÍSPĚVEK K NEJISTOTÁM VÝSLEDKŮ MĚŘENÍ
PŘÍSPĚVEK K NEJISTOTÁM VÝSLEDKŮ MĚŘENÍ JIŘÍ MILITKÝ, Katedra textlních materálů, Techncká unversta v Lberc, MILAN MELOUN, Katedra analytcké cheme, Unversta Pardubce, Pardubce. Úvod Je známo, že měření
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
VíceMATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ
MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),
Více7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM
7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceUNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE
UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT V OSTRAVĚ 20.3.2006 MAREK MOČKOŘ PŘÍKLAD Č.1 : ANALÝZA VELKÝCH VÝBĚRŮ Zadání: Pro kontrolu
VíceTestování statistických hypotéz. Ing. Michal Dorda, Ph.D.
Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině
VíceVYBOČUJÍCÍ HODNOTY VE VÍCEROZMĚRNÝCH DATECH
VYBOČUJÍCÍ HODOTY VE VÍCEROZMĚRÝCH DATECH JIŘÍ MILITKÝ, Katedra tetlních materálů, Techncká unversta v Lberc, Hálkova 6 461 17 Lberec, e- mal: jr.mlky@vslb.cz MILA MELOU, Katedra analytcké cheme, Unversta
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceJAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová
JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za nichž
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
VíceSolventnost II. Standardní vzorec pro výpočet solventnostního kapitálového požadavku. Iva Justová
2. část Solventnost II Standardní vzorec pro výpočet solventnostního kaptálového požadavku Iva Justová Osnova Úvod Standardní vzorec Rzko selhání protstrany Závěr Vstupní údaje Vašíčkovo portfolo Alternatvní
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceCvičení ze statistiky - 7. Filip Děchtěrenko
Cvičení ze statistiky - 7 Filip Děchtěrenko Minule bylo.. Probrali jsme spojité modely Tyhle termíny by měly být známé: Rovnoměrné rozdělení Střední hodnota Mccalova transformace Normální rozdělení Přehled
VíceObsah. Příloha (celkový počet stran přílohy 13) Závěrečná zpráva o výsledcích experimentu shodnosti ZČB 2013/2
Závěrečná zpráva o výsledcích expermentu shodnost ZČB 2013/2 Obsah Úvod a důležté kontakty... 2 Postupy statstcké analýzy expermentu shodnost... 4 2.1 Numercký postup zjšťování odlehlých hodnot... 4 2.1.1
VíceÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík
Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
VícePosouzení přesnosti měření
Přesnost měření Posouzení přesnosti měření Hodnotu kvantitativně popsaného parametru jakéhokoliv objektu zjistíme jedině měřením. Reálné měření má vždy omezenou přesnost V minulosti sloužila k posouzení
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
VíceVYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření
VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ # Nejistoty měření Přesnost měření Klasický způsob vyjádření přesnosti měření chyba měření: Absolutní chyba X = X M X(S) Relativní chyba δ X = X(M) X(S) - X(M) je naměřená hodnota
VíceANALÝZA ROZPTYLU (Analysis of Variance ANOVA)
NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než
VíceVĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT
VĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT Mlan Meloun Unverzta Pardubce, Čs. Legí 565, 53 10 Pardubce, mlan.meloun@upce.cz 1. Obecný postup analýzy jednorozměrných dat V prvním kroku se v
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
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
VíceÚVOD DO TEORIE ODHADU. Martina Litschmannová
ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),
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
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
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
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceVyjadřování přesnosti v metrologii
Vyjadřování přesnosti v metrologii Měření soubor činností, jejichž cílem je stanovit hodnotu veličiny. Výsledek měření hodnota získaná měřením přisouzená měřené veličině. Chyba měření výsledek měření mínus
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VícePorovnání dvou výběrů
Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
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
Více