Obecné, centrální a normované momenty
|
|
- Václav Ovčačík
- před 7 lety
- Počet zobrazení:
Transkript
1 Obecné, centrální a normované momenty Obsah kapitoly 4. Elementární statistické zpracování - parametrizace vhodnými empirickými parametry Studijní cíle Naučit se počítat centrální a normované momenty pomocí obecných momentů. Výpočet empirických parametrů šikmosti a špičatosti. Doba potřebná ke studiu Základní text 1 hod. Příklady také 1 hod. Pojmy k zapamatování Úvod Výkladová část Momentové parametry Obecné momenty Centrální momenty Normované momenty Parametr šikmosti Parametr špičatosti Budeme dále pokračovat ve zpracovávání výsledků měření, kdy jsme v akademickém roce zkoumali výšku studentek Vysoké školy finanční a správní. Odvodíme si vztahy mezi obecnými, centrálními a normovanými parametry. 4. Elementární statistické zpracování V předchozím oddíle jsme vypočítali první dva empirické parametry našeho souboru studentek, u kterého sledujeme jejich výšku. Byly to parametr polohy aritmetický průměr x = 167,7cm a parametr variability směrodatná odchylka S x = 5,78cm. Nyní si ukážeme, jak empirické parametry vypočítáme snadněji pomocí obecných momentů. Momentové parametry jsou parametry, které vypočítáme ze všech hodnot statistického znaku. Rozlišujeme: obecné momenty, centrální momenty normované momenty. Napíšeme si vztahy pro obecné momenty
2 O 1 = n 1 Σ ni.x i 1 naměřené hodnoty v první mocnině O = n 1 Σ ni.x i naměřené hodnoty ve druhé mocnině O 3 = n 1 Σ ni.x i 3 naměřené hodnoty ve třetí mocnině O 4 = n 1 Σ ni.x i 4 naměřené hodnoty ve čtvrté mocnině Součin n i.x i si snadno připravíme v tabulce absolutních četností. Podobně n i.x i, n i.x i 3 a n i.x i 4. Interval střed intervalu x i n i do a více Doplněná tabulka: x i n i x i.n i x i.n i x i 3.n i x i 4.n i Výsledky v součtovém řádku dosadíme do vzorců pro obecné momenty. Rozsah souboru n je v našem příkladě roven O 1 =.163 = 3, O =.639 = 13, O 3 =.701 = 58,
3 1 O 4 = 113 = 63, Obecný moment prvního řádu O 1 = 3,5435 je vlastně aritmetický průměr x vyjádřený v prvcích škály (1 až 6). Jednoduše tuto hodnotu převedeme na centimetry. Střed intervalu 3 je 165cm a ještě zbývá 0,5435 délky dalšího intervalu (délka intervalu je 5cm), takže , cm = 167,7175 cm. Vidíme, že je to ve shodě s předešlým výpočtem aritmetického průměru, který nám vyšel také x = 167,7174cm. Ostatní obecné momenty slouží k výpočtu centrálních momentů, jak si ukážeme za chvíli. Napíšeme si vztahy pro centrální momenty C 1 = n 1 ni.(x i - x ) 1 naměřená hodnota - střední hodnota na prvou C = n 1 ni.(x i - x ) naměřená hodnota - střední hodnota na duhou C 3 = n 1 ni.(x i - x ) 3 naměřená hodnota - střední hodnota na třetí C 4 = n 1 ni.(x i - x ) 4 naměřená hodnota - střední hodnota na čtvrtou Centrální momenty jsou tedy počítány vzhledem k centrální hodnotě (aritmetickému průměru). Odčítám-li aritmetický průměr od menších hodnot, dostanu záporné číslo, odčítám-li ho do větších hodnot, dostanu číslo kladné. V celkovém součtu mi to dá 0. C 1 je tedy vždy = 0. Centrální momenty lze vypočítat pomocí momentů obecných. Postupnými úpravami obecného vztahu si to ukážeme pro C. C = n 1 ni.(x i - x ) závorku upravíme podle vzorce (a b) = a ab + b
4 C = n 1 ni.(x i -x i x + x ) závorku roznásobíme n i 1 C = (ni x i n i x i x +n i x ) n U sčítání nezáleží na pořadí operací, tak můžeme nejdříve sečíst první členy v závorce, pak druhé a nakonec třetí. Sumu si můžeme tzv. roztrhat na tři sumy. 1 C = ni x 1 1 i ni x i x + ni x ) n n n Teď již zbývá identifikovat v jednotlivých členech obecné momenty. První člen n 1 ni x i je O Druhý člen obsahuje n 1 ni x i, to je O 1 a x, což je také O 1. Dohromady je druhý člen roven.o 1.O Ve třetím členu je ni, ale n i = n, takže celé se to rovná.n, a n n to je 1. Zbývá nám tam tedy x a to je O 1 Dostali jsme tedy výraz O O 1 + O 1 = O O 1 C = O O 1 Podobně bychom postupovali v případě C 3 a C 4 a obdrželi bychom 3 C 3 = O 3 3.O.O 1 +.O 1 C 4 = O 4 4.O 3.O O. O O 1 Nyní do těchto vztahů dosadíme vypočítané hodnoty O 1 = 3,5435; O = 13,8913; O 3 = 58,7174; O 4 = 63,5435 C = 13,8913 3,5435 = 1,3349 C 3 = 58, , , , = 0,0331 C 4 = 63, ,7174.3, , , , = 4,8418
5 Centrální moment druhého řádu C je rozptyl, C je směrodatná odchylka. V našem příkladě C = 1,3349 = 1,1554. Pro vyjádření v centimetrech tuto hodnotu vynásobíme délkou intervalu S x = 1, cm = 5,777cm. Což je ve shodě s předchozím výpočtem, kdy nám S x vyšlo 5,78cm. Centrální momenty třetího a čtvrtého řádu použijeme k výpočtu dalších empirických parametrů. Parametr šikmosti je nejčastěji určován pomocí normovaného momentu 3. řádu a nese pak název koeficient šikmosti. C3 N3 = C C N 0,0331 = 1,3349 1, = 0,015 Je-li koeficient šikmosti kladný, pak prvky škály ležící vlevo od aritmetického průměru mají vyšší četnosti (kladně zešikmené rozdělení četností větší koncentrace menších prvků škály, menších hodnot statistického znaku) a opačně. V našem příkladě se jedná o mírně kladně zešikmené rozdělení, to znamená, že v našem souboru je více žen menších, než je průměrná výška x = 167,7cm. Což si můžeme ověřit v tabulce. č. pořadí výška
6 Menších žen je 4 a větších jenom. Parametr špičatosti je nejčastěji určován pomocí normovaného momentu 4. řádu a nese pak název koeficient špičatosti. C N 4 = C 4
7 N 4,8418 = 1, =,7171 Špičatějšímu rozdělení četností při daném rozptylu odpovídá vyšší hodnota koeficientu špičatosti než rozdělení ploššímu. Používá se rovněž veličina exces, definovaná vztahem E x = N 4 3. Exces srovnává špičatost empirického rozdělení se špičatostí známého normovaného normálního rozdělení (viz. například publikace Bílková, D. Budinský, P. Vohánka, V.: Pravděpodobnost a statistika. Aleš Čeněk, Plzeň, 009. Podrobně se s ním seznámíme v dalším tématu). Je-li exces kladný, je empirické rozdělení špičatější než toto rozdělení. E x =, = - 0,89 V našem příkladě má soubor menší koeficient než normované normální rozdělení. Rozšiřující text Pro normální rozdělení (viz. například publikace Bílková, D. Budinský, P. Vohánka, V.: Pravděpodobnost a statistika. Aleš Čeněk, Plzeň, 009. Podrobně se s ním seznámíme v dalším tématu) platí: v intervalu µ σ ; µ + σ leží 68% všech hodnot a v intervalu µ σ ; µ + σ leží 95% všech hodnot Předpokládejme, že v našem příkladě má soubor, ve kterém zkoumáme výšku studentek, normální rozdělení. Určíme tyto intervaly a vypočítáme relativní četnost počtu studentek v příslušných intervalech. Střední hodnotu µ odhadneme aritmetickým průměrem x = 167,7cm a směrodatnou odchylku odhadneme pomocí centrálního momentu druhého řádu C. C = S x = 5,8cm. První interval µ σ ; µ + σ = 167,7 5,8;167,7 + 5,8 = 161,9;173, 5 V tabulce najdeme, že jsou to ženy od 16 do 173cm, tj. od 7. pořadí do 39.pořadí, tedy 33 žen. č. pořadí výška
8
9 Relativní četnost je tedy 33/46 = 0,7174 tj. 71,7%, což zhruba odpovídá hodnotě pro normální rozdělení (68%). Druhý interval µ σ ; µ + σ = 167,7 5,8;167,7 + 5,8 = 156,1;179, 3 V tabulce najdeme, že jsou to ženy od 156 do 179cm, tj. od. pořadí do 44.pořadí, tedy 43 žen. č. pořadí výška
10 Relativní četnost je tedy 43/46 = 0,9348 tj. 93,5%, což zhruba odpovídá hodnotě pro normální rozdělení (95%). Shrnutí Ukázali jsme si, jak lze centrální momenty vypočítat pomocí obecných momentů a snadno tak určit empirické parametry polohy, variability, šikmosti a špičatosti. Kontrolní otázky a úkoly 1) V tabulce jsou údaje o měsíčních výdajích 30-ti domácností v Kč Interval x i n i Vypočtěte empirické parametry (polohy, variability, šikmosti a špičatosti). Výsledky vysvětlete. ) V tabulce jsou údaje o počtu členů 30-ti domácností x i n i
11 30 Vypočtěte empirické parametry (polohy, variability, šikmosti a špičatosti). Výsledky vysvětlete. Seznam použitých zkratek Studijní literatura Odkazy HNJ - Hromadný náhodný jev SS - Statický soubor SJ - Statistická jednotka SZ - Statistický znak HSZ - Hodnota statistického znaku ZSS - Základní statistický soubor NV - Náhodný výběr VSS - Výběrový statistický soubor Bílková, D. Budinský, P. Vohánka, V.: Pravděpodobnost a statistika. Aleš Čeněk, Plzeň, 009. Cyhelský, L. Souček, E.: Základy statistiky. EUPRESS, Praha 009. Hindls, R. Hronová, S. Seger, J.: Statistika pro ekonomy. Professional Publishing, Praha 004. Český statistický úřad - Klíč k úkolům 1) O 1 = 3,3 tj ,3. 500,-Kč =.865,-Kč Průměrné měsíční výdaje domácností na potraviny jsou.865,-kč O = 1,50 O 3 = 54,03 O 4 = 51,70 C =,05 S x = 1,43 tj. 1, ,-Kč = 715,11Kč. Směrodatná odchylka měsíčních výdajů domácností na potraviny je 715,11Kč. C 3 = 0,39 C 4 = 9,07 N 3 = 0,13 Jedná se o kladně zešikmené rozdělení, v souboru je více domácností s menšími výdaji na potraviny, než je průměrná částka.865,-kč.
12 N 4 =,17 E x =,17 3 = -0,83 Rozdělení má menší koeficient špičatosti než normované normální rozdělení. ) O 1 = 3,63 Průměrný počet členů domácnosti je mezi 3 až 4 členové. O = 15,17 O 3 = 69,03 O 4 = 333,17 C = 1,97 S x = 1,40 Směrodatná odchylka je 1,4 člena domácnosti. C 3 = -0,36 C 4 = 8,38 N 3 = -0,13 Jedná se o záporně zešikmené rozdělení, v souboru je více domácností s větším počtem členů, než je průměr. N 4 =,17 E x =,17 3 = -0,83 Rozdělení má menší koeficient špičatosti než normované normální rozdělení.
Elementární zpracování statistického souboru
Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými
VíceNáhodný jev a definice pravděpodobnosti
Náhodný jev a definice pravděpodobnosti Obsah kapitoly Náhodný jev. Vztahy mezi náhodnými jevy. Pravidla pro počítání s pravděpodobnostmi. Formule úplné pravděpodobnosti a Bayesův vzorec. Studijní cíle
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceStatistické vyhodnocování ankety pilotního projektu Kvalita výuky na Západočeské univerzitě v Plzni
Statistické vyhodnocování ankety pilotního projektu Kvalita výuky na Západočeské univerzitě v Plzni Kvantifikace dat Pro potřeby statistického zpracování byly odpovědi převedeny na kardinální intervalovou
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VícePRAVDĚPODOBNOST A STATISTIKA 1 Metodický list č 1.
Metodický list č 1. Název tématického celku: Elementární statistické zpracování 1 - Kolekce a interpretace statistických dat, základní pojmy deskriptivní statistiky. Cíl: Základním cílem tohoto tematického
VíceSTATISTICKÉ CHARAKTERISTIKY
STATISTICKÉ CHARAKTERISTIKY 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
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
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
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
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 8 Statistický soubor s jedním argumentem Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka Vysoká škola
VíceMetodický list pro 3. soustředění kombinovaného Bc. studia předmětu B_St_2 STATISTIKA 2
Metodický list pro. soustředění kombinovaného Bc. studia předmětu B_St_ STATISTIKA Název tematického celku: Testy parametrů některých, testy shody parametrů v několika souborech Cíl tematického celku:
VíceStatistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
VícePředmět studia: Ekonomická statistika a analytické metody I, II
Předmět studia: Ekonomická statistika a analytické metody I, II Typ a zařazení předmětu: povinný předmět bakalářského studia, 1. ročník Rozsah předmětu: 2 semestry, celkem 24/0 hodin v kombinované formě
Víceveličin, deskriptivní statistika Ing. Michael Rost, Ph.D.
Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího
VíceČíselné charakteristiky
. Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch
VíceČíselné charakteristiky a jejich výpočet
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky
VíceZákladní statistické charakteristiky
Základní statistické charakteristiky Základní statistické charakteristiky slouží pro vzájemné porovnávání statistických souborů charakteristiky = čísla, pomocí kterých porovnáváme Základní statistické
Více676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368
Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540
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
VíceTeoretická rozdělení
Teoretická rozdělení Diskrétní rozdělení Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Některá teoretická rozdělení diskrétních veličin: Alternativní rozdělení Binomické
VíceTesty statistických hypotéz
Testy statistických hypotéz Statistická hypotéza je jakýkoliv předpoklad o rozdělení pravděpodobnosti jedné nebo několika náhodných veličin. Na základě náhodného výběru, který je reprezentativním vzorkem
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
VíceTestování statistických hypotéz
Testování statistických hypotéz Na základě náhodného výběru, který je reprezentativním vzorkem základního souboru (který přesně neznáme, k němuž se ale daná statistická hypotéza váže), potřebujeme ověřit,
VíceVZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C)
VZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C) max. 3 body 1 Zjistěte, zda vektor u je lineární kombinací vektorů a, b, je-li u = ( 8; 4; 3), a = ( 1; 2; 3), b = (2; 0; 1). Pokud ano, zapište tuto lineární kombinaci.
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceSTATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7
Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru
VíceObsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku
Obsah Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v
VíceCharakterizace 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
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceProtokol č. 1. Tloušťková struktura. Zadání:
Protokol č. 1 Tloušťková struktura Zadání: Pro zadané výčetní tloušťky (v cm) vypočítejte statistické charakteristiky a slovně interpretujte základní statistické vlastnosti tohoto souboru tloušťek. Dále
VíceStatistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability
I Přednáška Statistika Diskrétní data Spojitá data Charakteristiky polohy Charakteristiky variability Statistika deskriptivní statistika ˆ induktivní statistika populace (základní soubor) ˆ výběr parametry
VíceVNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách
ROZKLAD ROZPTYLU ROZKLAD ROZPTYLU Rozptyl se dá rozložit na vnitroskupinový a meziskupinový rozptyl. Celkový rozptyl je potom součet meziskupinového a vnitroskupinového Užívá se k výpočtu rozptylu, jestliže
VíceAlgebraické výrazy pro učební obory
Variace 1 Algebraické výrazy pro učební obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Algebraické výrazy
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
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
Vícemarek.pomp@vsb.cz http://homel.vsb.cz/~pom68
Statistika B (151-0303) Marek Pomp ZS 2014 marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Cvičení: Pavlína Kuráňová & Marek Pomp Podmínky pro úspěšné ukončení zápočet 45 bodů, min. 23 bodů, dvě zápočtové
VíceOtázky k měření centrální tendence. 1. Je dáno rozložení, ve kterém průměr = medián. Co musí být pravdivé o tvaru tohoto rozložení?
Otázky k měření centrální tendence 1. Je dáno rozložení, ve kterém průměr = medián. Co musí být pravdivé o tvaru tohoto rozložení? 2. Určete průměr, medián a modus u prvních čtyř rozložení (sad dat): a.
VíceMetodologie pro ISK II
Metodologie pro ISK II Všechny hodnoty z daného intervalu Zjišťujeme: Centrální míry Variabilitu Šikmost, špičatost Percentily (decily, kvantily ) Zobrazení: histogram MODUS je hodnota, která se v datech
VíceTEMATICKÝ PLÁN VÝUKY
TEMATICKÝ PLÁN VÝUKY Studijní obor: 23-41 - M/1 Strojírenství Zaměření: Předmět: Matematika Ročník: 4. Počet hodin týdně: 4 Počet hodin celkem: Tento plán vychází z rámcového vzdělávacího programu pro
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
VíceTEST Z TEORIE EXPLORAČNÍ ANALÝZA DAT
EXPLORAČNÍ ANALÝZA DAT TEST Z TEORIE 1. Test ze Statistiky píše velké množství studentů. Představte si, že každý z nich odpoví správně přesně na polovinu otázek. V tomto případě bude směrodatná odchylka
VícePříklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13
Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test
VíceMetodologie pro Informační studia a knihovnictví 2
Metodologie pro Informační studia a knihovnictví 2 Modul 5: Popis nekategorizovaných dat Co se dozvíte v tomto modulu? Kdy používat modus, průměr a medián. Co je to směrodatná odchylka. Jak popsat distribuci
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
VíceVŠB Technická univerzita Ostrava BIOSTATISTIKA
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: BIOSTATISTIKA Domácí úkoly Zadání 5 DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL 1:
VíceTestování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času
Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek
VícePříklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7
Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku
VíceKombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy
VíceTECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta ANALÝZA VÝSLEDKŮ DOTAZNÍKOVÉHO ŠETŘENÍ (FAKULTNÍ DOTAZNÍK) semestrální práce z předmětu STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÉHO ŠETŘENÍ Jan Kubiš, Kateřina
VíceMO-ME-N-T MOderní MEtody s Novými Technologiemi
Projekt: Reg.č.: Operační program: Škola: Tematický okruh: Jméno autora: MO-ME-N-T MOderní MEtody s Novými Technologiemi CZ.1.7/1.5./34.93 Vzdělávání pro konkurenceschopnost Hotelová škola, Vyšší odborná
VíceUKAZATELÉ VARIABILITY
UKAZATELÉ VARIABILITY VÝZNAM Porovnejte známky dvou studentek ze stejného předmětu: Studentka A: Studentka B: Oba soubory mají stejný rozsah hodnoty, ale liší se známky studentky A jsou vyrovnanější, jsou
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceObecné momenty prosté tvary
Obecné momenty prosté tvary První obecný moment: (Σy i )/n, i=1 n aritmetický průměr, těžiště dat y Druhý obecný moment: (Σy i2 )/n, i=1 n y 2 Obecné momenty prosté tvary Příklad 1 pokračování: y = (3+4+2+3+2+3+3+3)/8
VíceStručný úvod do testování statistických hypotéz
Stručný úvod do testování statistických hypotéz 1. Formulujeme hypotézu (předpokládáme, že pozorovaný jev je pouze náhodný). 2. Zvolíme hladinu významnosti testu a, tj. riziko, s nímž jsme ochotni se smířit.
VíceMinimální hodnota. Tabulka 11
PŘÍLOHA č.1 Výsledné hodnoty Výsledky - ženy (SOŠ i SOU, maturitní i učební obory) Aritmetický průměr Maximální hodnota Minimální hodnota Medián Modus Rozptyl Směrodatná odchylka SOM 0,49 2,00 0,00 0,33
VícePříklady - Bodový odhad
Příklady - odový odhad 5. října 03 Pražské metro Přijdu v pražském metru na nástupiště a tam zjistím, že metro v mém směru jelo před :30 a metro v opačném směru před 4:0. Udělejte bodový odhad, jak dlouho
VícePopisná statistika kvantitativní veličiny
StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceMetodologie pro Informační studia a knihovnictví 2
Metodologie pro Informační studia a knihovnictví 2 Modul V: Nekategorizovaná data Metodologie pro ISK 2, jaro 2014. Ladislava Z. Suchá Metodologie pro Informační studia a knihovnictví 2 Modul 5: Popis
VícePopisná statistika. Komentované řešení pomocí MS Excel
Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceTLOUŠŤKOVÁ A VÝŠKOVÁ STRUKTURA A JEJÍ MODELOVÁNÍ
TLOUŠŤKOVÁ A VÝŠKOVÁ STRUKTURA A JEJÍ MODELOVÁNÍ 1 Vlastnosti tloušťkové struktury porostu tloušťky mají vyšší variabilitu než výšky světlomilné dřeviny mají křivku početností tlouštěk špičatější a s menší
VíceMnohorozměrná statistická data
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém
VíceZáklady popisné statistiky
Základy popisné statistiky Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 8. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 26 Obsah 1 Základy statistického zpracování dat 2
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
VíceM - Kvadratické rovnice a kvadratické nerovnice
M - Kvadratické rovnice a kvadratické nerovnice Určeno jako učební tet pro studenty dálkového studia. VARIACE 1 Tento dokument byl kompletně vytvořen, sestaven a vytištěn v programu dosystem - EduBase.
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
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
VíceTéma 2. Řešené příklady
Téma. Řešené příklady 1. V tabulce č. 1. jsou uvedeny údaje o spotřebě polotučného sušeného a polotučného tekutého mléka v jednotlivých létech. Tab. 1. (mil. l) \ rok 1998 1999 000 001 00 003 004 005 Polotučné
Více12. cvičení z PST. 20. prosince 2017
1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace
VícePopisná statistika. Jaroslav MAREK. Univerzita Palackého
Popisná statistika Jaroslav MAREK Univerzita Palackého Přírodovědecká fakulta Katedra matematické analýzy a aplikací matematiky Tomkova 40, 779 00 Olomouc Hejčín tel. 585634606 marek@inf.upol.cz pondělí
VíceKomplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník a oktáva 3 hodiny týdně PC a dataprojektor, učebnice
Více2 ) 4, Φ 1 (1 0,005)
Příklad 1 Ze zásilky velkého rozsahu byl náhodně vybrán soubor obsahující 1000 kusů. V tomto souboru bylo zjištěno 26 kusů nekvalitních. Rozhodněte, zda je možné s 99% jistotou tvrdit, že zásilka obsahuje
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
VíceKvadratické rovnice (dosazení do vzorce) I
.. Kvadratické rovnice (dosazení do vzorce) I Předpoklady: 000 Rovnicí se nazývá vztah rovnosti mezi hodnotami dvou výrazů obsahujícími jednu nebo více neznámých. V této kapitole se budeme zabývat pouze
VícePřednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP
IV Přednáška Diskrétní náhodná proměnná Charakteristiky DNP Základní rozdělení DNP Diskrétní náhodná veličina Funkce definovaná na Ω, přiřazující každému elementárnímu jevu E prvky X(E) D R kde D je posloupnost
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceJednotky zrychlení odvodíme z výše uvedeného vztahu tak, že dosadíme za jednotlivé veličiny.
1. Auto zrychlí rovnoměrně zrychleným pohybem z 0 km h -1 na 72 km h -1 za 10 sekund. 2. Auto zastaví z rychlosti 64,8 km h -1 rovnoměrně zrychleným (zpomaleným) pohybem za 9 sekund. V obou případech nakreslete
VíceTECHNICKÁ UNIVERZITA V LIBERCI. Ekonomická fakulta. Semestrální práce. Statistický rozbor dat z dotazníkového šetření školní zadání
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce Statistický rozbor dat z dotazníkového šetření školní zadání Skupina: 51 Vypracovaly: Pavlína Horná, Nikola Loumová, Petra Mikešová,
VíceZpracování náhodného výběru. Ing. Michal Dorda, Ph.D.
Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní
VíceKOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
KOMPLEXNÍ ČÍSLA Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky na gymnáziu INVESTICE
VíceManuál pro zaokrouhlování
Manuál pro zaokrouhlování k předmětu Pravděpodobnost a Statistika (PS) Michal Béreš, Martina Litschmannová 19. března 2019 Obsah 1 Úvod 2 2 Obecné poznámky 2 2.1 Typy zaokrouhlování...........................................
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky PRAVDĚPODOBNOST A STATISTIKA Zadání 1 JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky SMAD
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: SMAD Cvičení Ostrava, AR 2016/2017 Popis datového souboru Pro dlouhodobý
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
VíceTřídění statistických dat
2.1 Třídění statistických dat Všechny muže ve městě rozdělíme na 2 skupiny: A) muži, kteří chodí k holiči B) muži, kteří se holí sami Do které skupiny zařadíme holiče? prof. Raymond M. Smullyan, Dr. Math.
VíceTECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Studentská 2 461 17 Liberec 1 SEMESTRÁLNÍ PRÁCE STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÝCH ŠETŘENÍ Gabriela Dlasková, Veronika Bukovinská Sára Kroupová, Dagmar
VíceMatematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 27. listopadu 2017 Typy statistických znaků (proměnných) Typy proměnných: Kvalitativní proměnná (kategoriální, slovní,... ) Kvantitativní proměnná (numerická,
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.
VíceMnohorozměrná statistická data
Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
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
Více