Pravděpodobnost a aplikovaná statistika

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Pravděpodobnost a aplikovaná statistika"

Transkript

1 Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 8. KAPITOLA STATISTICKÉ TESTOVÁNÍ HYPOTÉZ

2 Opakování: CLV příklad 1 Zadání: Před volbami je v populaci státu 52 % příznivců koaličních stran. Jaká je pravděpodobnost, že průzkum veřejného mínění o rozsahu n = ukáže nesprávně převahu opozice? P X a, b = Φ b + 0,5 np np(1 p) Φ a 0,5 np np 1 p

3 Opakování: CLV příklad 1 Řešení: X počet příznivců koalice Pokud by byl výběr proveden zcela náhodně, pak X má: binomické rozdělení X~Bi n; p ~Bi 1500; 0,52, které můžeme aproximovat normálním rozdělením o parametrech: μ = σ 2 =

4 Opakování: CLV příklad 1 X počet příznivců koalice X~N np; np 1 p = N 780; 374,4 Průzkum ukáže nesprávně převahu opozice, jestliže X 749, tj. P X 749 = 0,0575 Průzkum o rozsahu n = ukáže nesprávně převahu opozice s pravděpodobností přibližně 0,0575.

5 Opakování: CLV příklad 2 Zadání: Výletní člun má nosnost kg. Hmotnost cestujících je náhodná veličina se střední hodnotou 70 kg a směrodatnou odchylkou 20 kg. Kolik cestujících může člunem cestovat, aby pravděpodobnost přetížení člunu byla menší než 0,1 %?

6 Opakování: CLV příklad 2 Řešení: X celková hmotnost všech n cestujících Dle CLV má X~N μ = 70 n; σ 2 = 400 n Hledáme takové maximální n, aby P X < 0,001. n 64

7 Přehled témat 1. Pravděpodobnost (definice, využití, výpočet pravděpodobností náhodných jevů) 2. Podmíněná pravděpodobnost 3. Náhodná veličina 4. Statistické charakteristiky 5. Slabý zákon velkých čísel 6. Centrální limitní věta (teorém) 7. Bodový a intervalový odhad 8. Testování hypotéz 9. Korelace a regrese

8 8.1 Testování statistických hypotéz motivační příklad Příklad platová diskriminace Společnost v rámci vnitřního šetření uskutečnila i mapování platových podmínek za účelem zjištění, zda dochází k platové diskriminaci žen. Analýza zahrnovala 100 náhodně vybraných zaměstnanců, z toho 35 bylo žen s X 35 = ,5 Kč a s X = 5 179,5 Kč, 65 bylo mužů s Y 65 = ,4 Kč a s X = 4 334,0 Kč. Výsledný rozdíl je Y X = 678,9 > 0 Kč. Je možné říci, že rozdíl je dostatečně průkazný na to, aby se mohlo tvrdit, že muži (v dané firmě) mají obecně vyšší platy jak ženy?

9 8.1 Testování statistických hypotéz motivační příklad Spíše nás zajímá, porovnání středních hodnot platů mužů a žen nikoliv, zda libovolný muž vydělá více než libovolná žena. Je střední hodnota platů vyšší u mužů než u žen? Již víme, že střední hodnoty odhadujeme výběrovými průměry, což je rozumné rozhodnout na základě porovnání X a Y. Jiný náhodný výběr by zahrnoval jiných 100 zaměstnanců, a dostali bychom tak odlišné výběrové průměry X a Y. Výběrové průměry X a Y jsou tedy náhodné veličiny. Jejich hodnoty neodpovídají středním hodnotám E X a E(Y) přesně, jsou to pouze jejich bodové odhady. Jestliže vyšlo Y X = 678,9 > 0 Kč, je možné tvrdit, že E Y E(X) > 0 Kč?

10 8.1 Testování statistických hypotéz motivační příklad Kdy se výběrové průměry liší dostatečně Když vezmeme dva výběry z téhož rozdělení, pak výběrové průměry se budou lišit (byť jen málo), i když jsou střední hodnoty stejné. Příklad s platy: otázkou je, zda je rozdíl v průměrech jen vlivem náhody nebo se skutečně liší střední hodnoty. Pokud oba výběrové průměry odhadují tutéž střední hodnotu, pak by se průměry neměly velmi lišit. Je ovšem třeba zohlednit: počet pozorování (s rostoucím počtem roste přesnost odhadů), variabilitu (vysoký rozptyl způsobuje větší nejistotu). Pokud zohledníme rozdělení Y X, jsme schopni zjistit, jaké hodnoty jsou již extrémní a málo pravděpodobné. Pak je třeba aplikovat statistické testy pro správné rozhodnutí.

11 8.2 Testování statistických hypotéz základní pojmy Testováním hypotéz se chápe vyhodnocování pravdivosti výroků na základě náhodného výběru, tj. ověřování platnosti nějakého výroku. Provádí se za pomoci statistických testů. Hypotéza je výrok, o jehož pravdivosti chceme rozhodnout.

12 8.2 Testování statistických hypotéz základní pojmy Statistickou hypotézou rozumíme hypotézu o populaci (základním souboru). Příklad: Střední hodnota zakladního souboru je rovna 100. Střední hodnota prvního základního souboru se rovná střední hodnotě druhého základního souboru. Statistické hypotézy dělíme na parametrické a neparametrické.

13 8.2 Testování statistických hypotéz základní pojmy Parametrická hypotéza je hypotéza o parametrech rozdělení základního souboru. Patří sem: hypotézy o parametru jednoho základního souboru o střední hodnotě, mediánu, rozptylu, atd. hypotézy o parametrech dvou základních souborů (srovnávací testy) rovnost středních hodnot, rovnost rozptylů, atd. hypotézy o parametrech tří a více základních souborů.

14 8.2 Testování statistických hypotéz základní pojmy Neparametrická hypotéza je hypotéza o jiných vlastnostech základního souboru např. tvaru, rozdělení, závislosti proměnných, atd.

15 8.2 Testování statistických hypotéz základní pojmy Statistické testy dělíme na parametrické a neparametrické testy. Parametrickým testem rozumíme takový test, pro jehož odvození je nutno specifikovat typ rozdělení, případně jeho parametry. Nejčastěji se setkáváme s předpokladem normality dat. Neparametrickým testem rozumíme takový test, pro jehož odvození není nutno specifikovat typ rozdělení.

16 8.2 Testování statistických hypotéz základní pojmy Při testování hypotéz proti sobě stojí 2 hypotézy nulová a alternativní hypotéza. Nulová hypotéza H 0 vyjadřuje tvrzení o základním souboru, které je bráno jako předpoklad při testování (rovnovážný stav). Alternativní hypotéza H A stojí proti nulové hypotéze a představuje porušení rovnovážného stavu. Existují tři typy alternativních hypotéz: levostranná alternativní hypotéza, pravostranná alternativní hypotéza, oboustranná alternativní hypotéza.

17 8.2 Testování statistických hypotéz základní pojmy Příklad: H 0 : střední hodnota základního souboru μ = 10, levostranná H A : μ < 10, pravostranná H A : μ > 10, oboustranná H A : μ 10. Příslušná alternativní hypotéza se volí na základě pozorování chování výběrového souboru. Testování hypotéz je založeno na následujícím principu: Pokud výběrový soubor neukáže na statisticky významný rozpor s nulovou hypotézou, pak nesmíme nulovou hypotézu zamítnout. Jelikož na základě chování výběrového souboru (tedy jen vzorku populace) usuzujeme o chování základního souboru (tedy celé populace), můžeme se při rozhodování dopustit chyby.

18 8.2 Testování statistických hypotéz základní pojmy Skutečnost Platí Platí Výsledek testu Platí H 0 Platí H A Správné rozhodnutí pravděpodobnost 1 α (spolehlivost testu) Chyba I. druhu pravděpodobnost α (hladina významnosti) Chyba II. druhu pravděpodobnost β Správné rozhodnutí pravděpodobnost 1 β (síla testu)

19 8.2 Testování statistických hypotéz základní pojmy Snahou je minimalizovat obě chyby, což však není možné, protože snížením β vzroste α a naopak. Při statistickém testování hypotéz se volí hodnota α (nejčastěji 0,05 či 0,01), protože chyba I. druhu je významnější než chyba II. druhu. Chybu II. druhu lze snížit volbou vhodného testu a nebo zvětšením rozsahu výběrového souboru.

20 8.3 Testování statistických hypotéz klasický test Postup při klasickém testování hypotéz je následující: 1. Formulace nulové a alternativní hypotézy. 2. Volba testové statistiky a jejího rozdělení při platnosti nulové hypotézy (tzv. nulového rozdělení). Testová statistika a její nulové rozdělení je dána pro konkrétní test.

21 8.3 Testování statistických hypotéz klasický test Postup při klasickém testování hypotéz je následující: 3. Sestrojení kritického oboru a oboru přijetí obor všech možných hodnot testové statistiky rozdělíme na dva disjunktní obory, tj. a) obor přijetí takové hodnoty testované statistiky, které svědčí pro nezamítnutí nulové hypotézy b) kritický obor takové hodnoty testové statistiky, které svědčí pro zamítnutí nulové hypotézy Hranice mezi obory se nazývá kritická hodnota testu. Kritický obor je tak velký, aby pravděpodobnost, že testová statistika leží v kritickém oboru při předpokladu platnosti nulové hypotézy, byla rovna α.

22 8.3 Testování statistických hypotéz klasický test Levostranná alternativní hypotéza f(x) kritický obor: α obor přijetí: 1 α kritická hodnota 0 x

23 8.3 Testování statistických hypotéz klasický test Pravostranná alternativní hypotéza f(x) obor přijetí: 1 α kritický obor: α 0 kritická hodnota x

24 8.3 Testování statistických hypotéz klasický test Oboustranná alternativní hypotéza f(x) obor přijetí: 1 α kritický obor: α 2 kritický obor: α 2 kritická hodnota 0 kritická hodnota x

25 8.3 Testování statistických hypotéz klasický test 4. Výpočet pozorované hodnoty testové statistiky 5. Vyhodnocení testu: a) Je-li hodnota testové statistiky v oboru přijetí, potom nezamítneme nulovou hypotézu. b) Je-li však hodnota testové statistiky v kritickém oboru, pak zamítáme nulovou hypotézu ve prospěch alternativní hypotézy.

26 8.4 Pearsonův χ 2 test dobré shody Vzhledem k tomu, že nejpoužívanější parametrické testy předpokládají normalitu dat, je nutné se nejprve zabývat tím, jak otestovat, že tato data získaná náhodným výběrem pocházejí z populace řídicí se normálním rozdělením s parametry μ a σ 2. K tomu se využívají různé statistické testy: Jarqueův a Beryho test normality (JB test) ukázali jsme Shapirův-Wilkův, Andersonův-Darlingův, Kolmogorovův- Smirnovův, Lillieforsův, atd. a tzv. testy dobré shody.

27 8.4 Pearsonův χ 2 test dobré shody Tento test je určen k testování nulové hypotézy v obecném tvaru, tj. náhodný výběr pochází z konkrétního rozdělení pravděpodobnosti s konkrétními parametry. Alternativní hypotéza popírá nulovou hypotézu, tj. náhodný výběr nepochází z konkrétního rozdělení pravděpodobnosti s konkrétními parametry. Pokud neznáme parametry příslušného rozdělení, je třeba je na základě náhodného výběru odhadnout, například pomocí metody maximální věrohodnosti. Pearsonův χ 2 test dobré shody umožňuje otestovat náhodný výběr i na jiná rozdělení než jen normální rozdělení.

28 8.4 Pearsonův χ 2 test dobré shody Pro testovanou statistiku G platí kde G = k i=1 n i n π i 2 n π i 2 χ k h 1 k je počet tříd n je rozsah souboru n i je počet pozorování v třídě i (pozorované četnosti) n π i je teoretická (očekávaná) četnost h je počet odhadovaných parametrů rozdělení Aby bylo nulové rozdělení dobře aproximováno rozdělením χ 2, je třeba, aby byly teoretické četnosti ve všech třídách větší než 5. Není-li tento předpoklad pro všechny třídy splněn, je nutno příslušné třídy vhodně sloučit (toto má za následek pokles stupňů volnosti rozdělení χ 2 ).

29 8.4 Pearsonův χ 2 test dobré shody S rostoucí hodnotou testové statistiky roste rozpor naměřených dat s nulovou hypotézou, od určité hodnoty (kritická hodnota testu) je tento rozpor statisticky významný, zamítneme tedy nulovou hypotézu ve prospěch alternativní hypotézy. f(x) obor přijetí: 1 α kritický obor: α 0 x kritická hodnota

30 8.4 Pearsonův χ 2 test dobré shody Kritickou hodnotu testu získáme jako α % kvantil rozdělení χ 2 s příslušným počtem stupňů volnosti. Hodnotu můžeme odečíst z tabulek nebo pomocí softwaru.

31 8.5 Pearsonův χ 2 test dobré shody příklad 1 Zadání: V tenké vrstvě zlata se registroval počet částic zlata, které se dostaly do zorného pole mikroskopu. Pozorování se prováděla pravidelně vždy po uplynutí stejně dlouhého časového intervalu. počet částic absolutní četnost Ověřte pomocí testu χ 2 dobré shody, zda jsou data realizací náhodného výběru z Poissonova rozdělení s parametrem λ = 1,5.

32 8.5 Pearsonův χ 2 test dobré shody příklad 1 Řešení: 1) Náhodná veličina se teoreticky řídí Poissonovým rozdělením: obor hodnot rozdělíme do šesti tříd, tj. 0, 1, 2, 3, 4, 5 a více rozsah výběru n = 517 2) Pro jednotlivé třídy se porovnají skutečné četnosti n i a teoretické četnosti n π i kde π i = P X = i = e 1,5 1,5 i, pro i = 0, 1, 2, 3, 4 i! π 5 = P X 5 = 1 P X 4 = 1 4 π i i=0

33 8.5 Pearsonův χ 2 test dobré shody příklad 1 počet částic H 0 : množství zlata v zorném poli mikroskopu je výběr z Po λ = 1,5 Srovnání χ 2 5 a více n = i n π 2 i i=0 = n π i s 5% horním kvantilem χ 2 2 o 5 stupních volnosti χ 0,05 [5] = Z toho vyplývá, že hodnota testové statistiky χ 2 je daleko menší než 5% horní kvantil χ 2 rozdělení. Závěr: hypotézu H 0 skutečná četnost n i a více 7 teoretická četnost n π i n i n π i n π i 2

34 8.5 Pearsonův χ 2 test dobré shody příklad 2 Zadání: Nedokonalost výroby hrací kostky může způsobit, že hra s touto kostkou není spravedlivá. Proto se kostkou několikrát házelo. hodnota kostky četnost výskytu Je možné prokázat na základě provedených hodů, že hra s touto kostkou je nespravedlivá?

35 8.5 Pearsonův χ 2 test dobré shody příklad 2 Řešení: 1)počet hodů n = 6 000, je-li kostka spravedlivá, pak pravděpodobnost p i = 1, i = 1, 2,, 6 6 2) Otestujeme pomocí testu χ 2, zda empirické četnosti n i, i = 1, 2,, 6 se statisticky významně liší od teoretické četnosti n π i, i = 1, 2,, 6 hodnota kostky n i n π i n i n π i 2 n π i

36 8.5 Pearsonův χ 2 test dobré shody příklad 2 hodnota kostky n i n π i n i n π i 2 n π i 0,441 0,004 0,225 0,400 1,600 0,256 H 0 : kostka je spravedlivá (vyvážená) Srovnání χ 2 6 n = i n π 2 i i=0 = n π i s 5% horním kvantilem χ 2 2 o 5 stupních volnosti χ 0,05 [5] = Z toho vyplývá, že hodnota testové statistiky χ 2 není větší než 5% horní kvantil χ 2 rozdělení. Závěr: hypotézu H 0 Příslušná p-hodnota je 0,7114, tedy vysoká, a to svědčí o tom, že kostka je opravdu spravedlivá.

37 8.5 Pearsonův χ 2 test dobré shody příklad 2 χ 2 6 n = i n π 2 i i=0 = n π i 2 χ 0,05 [5] =

38 8.5 Pearsonův χ 2 test dobré shody příklad 3 Zadání: Pracuje generátor náhodných čísel z normálního rozdělení chybně? interval ; 2,5 2,5; 2,0 2,0; 1,5 1,5; 1,0 1,0; 0,5 0,5; 0,0 n i n π i 6,2 16,5 44,1 91,8 149,9 191,5 n i n π i 2 n π i interval 0,0; 0,5 0,5; 1,0 1,0; 1,5 1,5; 2,0 2,0; 2,5 2,5; n i n π i 191,5 149,9 91,8 44,1 16,5 6,2 n i n π i 2 n π i

39 8.5 Pearsonův χ 2 test dobré shody příklad 3 H 0 : rozdělení generovaných čísel odpovídá teoretickému normálnímu Srovnání χ 2 12 n = i n π 2 i i=0 = n π i s 5% horním kvantilem χ 2 2 o 11 stupních volnosti χ 0,05 11 = Hodnota testové statistiky χ 2 není větší než 5% horní kvantil χ 2 rozdělení. Závěr: hypotézu H 0

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 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

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování 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

Více

STATISTICKÉ TESTY VÝZNAMNOSTI

STATISTICKÉ TESTY VÝZNAMNOSTI STATISTICKÉ TESTY VÝZNAMNOSTI jsou statistické postupy, pomocí nichž ověřujeme, zda mezi proměnnými existuje vztah (závislost, rozdíl). Pokud je výsledek šetření statisticky významný (signifikantní), znamená

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

Více

UNIVERZITA 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 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

Více

Testování hypotéz Biolog Statistik: Matematik: Informatik:

Testování hypotéz Biolog Statistik: Matematik: Informatik: Testování hypotéz Biolog, Statistik, Matematik a Informatik na safari. Zastaví džíp a pozorují dalekohledem. Biolog "Podívejte se! Stádo zeber! A mezi nimi bílá zebra! To je fantastické! " "Existují bílé

Více

Tomáš Karel LS 2012/2013

Tomáš 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

Více

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech

Více

Statistické metody uţívané při ověřování platnosti hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testování hypotéz na základě jednoho a dvou výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/004. Testování hypotéz Pokud nás zajímá zda platí, či neplatí tvrzení o určitém parametru,

Více

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko pro podporu jakosti Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov

Více

Průzkumová analýza dat

Průzkumová analýza dat Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 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)

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO 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),

Více

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Statistika nuda je, má však cenné údaje. Neklesejme na mysli, ona nám to vyčíslí. Z pohádky Princové jsou na draka Populace (základní

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

Více

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

Test dobré shody v KONTINGENČNÍCH TABULKÁCH Test dobré shody v KONTINGENČNÍCH TABULKÁCH Opakování: Mějme náhodné veličiny X a Y uspořádané do kontingenční tabulky. Řekli jsme, že nulovou hypotézu H 0 : veličiny X, Y jsou nezávislé zamítneme, když

Více

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem 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

Více

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

Příklad 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

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad 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

Více

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY SAMOSTATÁ STUDETSKÁ PRÁCE ZE STATISTIKY Váha studentů Kučerová Eliška, Pazdeříková Jana septima červen 005 Zadání: My dvě studentky jsme si vylosovaly zjistit statistickým šetřením v celém ročníku septim

Více

Korelační a regresní analýza

Korelační 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

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Tomáš Karel LS 2012/2013

Tomáš 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

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(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

Více

Tomáš Karel LS 2012/2013

Tomáš 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

Více

Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008)

Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Ing. Vratislav Horálek, DrSc., předseda TNK 4 při ČNI 1 Terminologické normy [1] ČSN ISO 3534-1:1994 Statistika Slovník

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost 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

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV 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.

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování 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

Více

Modul Analýza síly testu Váš pomocník při analýze dat.

Modul Analýza síly testu Váš pomocník při analýze dat. 6..0 Modul Analýza síly testu Váš pomocník při analýze dat. Power Analysis and Interval Estimation Analýza síly testu Odhad velikosti vzorku Pokročilé techniky pro odhad intervalu spolehlivosti Rozdělení

Více

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com) Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik

Více

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

Více

Testy pro porovnání vlastností dvou skupin

Testy pro porovnání vlastností dvou skupin Testy pro porovnání vlastností dvou skupin Petr Pošík Části dokumentu jsou převzaty (i doslovně) z Mirko Navara: Pravděpodobnost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_print.pdf

Více

Projekt z předmětu Statistika

Projekt z předmětu Statistika Projekt z předmětu Téma: Typologie hráče české nejvyšší hokejové soutěže VŠB-TU Ostrava:Fakulta Elektrotechniky a informatiky jaro 2011 Martin Dočkal doc068 dockal.martin@gmail.com 1 Obsah 2 Zadání...

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

INTERVALOVÉ ODHADY A TESTOVÁNÍ HYPOTÉZ INTERVALOVÉ ODHADY INTERVALOVÉ ODHADY PRO JEDEN PARAMETER

INTERVALOVÉ ODHADY A TESTOVÁNÍ HYPOTÉZ INTERVALOVÉ ODHADY INTERVALOVÉ ODHADY PRO JEDEN PARAMETER INTERVALOVÉ ODHADY A TESTOVÁNÍ HYPOTÉZ INTERVALOVÉ ODHADY INTERVALOVÉ ODHADY PRO JEDEN PARAMETER 1. Podnik Canard chce za účelem snížení odchylek od předem stanovených (režijních) nákladů v jednotlivých

Více

Číselné charakteristiky a jejich výpočet

Číselné 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

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové

Více

Masarykova univerzita Ekonomicko správní fakulta. Statistika II

Masarykova univerzita Ekonomicko správní fakulta. Statistika II Masarykova univerzita Ekonomicko správní fakulta Statistika II distanční studijní opora Marie Budíková Brno 2006 Tento projekt byl realizován za finanční podpory Evropské unie v rámci programu SOCRATES

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

Vícerozměrné statistické metody

Vícerozměrné statistické metody Vícerozměrné statistické metody Smysl a cíle vícerozměrné analýzy dat a modelování, vztah jednorozměrných a vícerozměrných statistických metod Jiří Jarkovský, Simona Littnerová Průběh výuky 13 přednášek

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

Testování hypotéz a měření asociace mezi proměnnými

Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz Nulová a alternativní hypotéza většina statistických analýz zahrnuje různá porovnání, hledání vztahů, efektů Tvrzení, že efekt je nulový,

Více

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 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

Více

Úvod. Struktura respondentů

Úvod. Struktura respondentů Výsledky pilotního průzkumu postojů studentů Policejní akademie ČR v Praze k problematice zálohování dat Ing. Bc. Marek Čandík, Ph.D. JUDr. Štěpán Kalamár, Ph.D. The results of the pilot survey of students

Více

6. Lineární regresní modely

6. 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

Více

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu

6. 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

Více

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests), : veličiny X, Y jsou nezávislé nij eij

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests),   : veličiny X, Y jsou nezávislé nij eij Testy dobré shody Máme dvě veličiny a předpokládáme, že jsou nezávislé (platí nulová hypotéza nezávislosti). Často chceme naopak prokázat jejich závislost. K tomu slouží: TESTY DOBRÉ SHODY (angl. goodness-of-fit

Více

KVANTITATIVNÍ METODY V PEDAGOGICKÉM VÝZKUMU

KVANTITATIVNÍ METODY V PEDAGOGICKÉM VÝZKUMU KVANTITATIVNÍ METODY V PEDAGOGICKÉM VÝZKUMU RADEK KRPEC CZ.1.07/2.2.00/29.0006 OSTRAVA, ČERVEN 2013 Studijní opora je jedním z výstupu projektu ESF OP VK. Číslo Prioritní osy: 7.2 Oblast podpory: 7.2.2

Více

Statistika. Semestrální projekt

Statistika. Semestrální projekt Statistika Semestrální projekt 18.5.2013 Tomáš Jędrzejek, JED0008 Obsah Úvod 3 Analyzovaná data 4 Analýza dat 6 Statistická indukce 12 Závěr 15 1. Úvod Cílem této semestrální práce je aplikovat získané

Více

Ekonomické modelování pro podnikatelskou praxi

Ekonomické modelování pro podnikatelskou praxi pro podnikatelskou praxi Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Vlachý, J. Řízení finančních rizik Scholleová, H. Hodnota flexibility: Reálné opce Sylabus

Více

Zákony hromadění chyb.

Zákony hromadění chyb. Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY 4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být

Více

Rovnoměrné rozdělení

Rovnoměrné rozdělení Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot

Více

A 4 9 18 24 26 B 1 5 10 11 16 C 2 3 8 13 15 17 19 22 23 25 D 6 7 12 14 20 21

A 4 9 18 24 26 B 1 5 10 11 16 C 2 3 8 13 15 17 19 22 23 25 D 6 7 12 14 20 21 Příklad 1 Soutěž o nelepší akost výrobků obeslali čtyři výrobci A, B, C, D celkem 26 výrobky. Porota sestavila toto pořadí (uveden pouze původ výrobku od nelepšího k nehoršímu): Pořadí 1 2 3 4 5 6 7 8

Více

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA Oblasti využití generátorů náhodných čísel Statistika Loterie Kryptografie (kryptologie) Simulace Simulační modely DETERMINISTICKÉ STOCHASTICKÉ (činnost systému

Více

Cronbachův koeficient α nová adaptovaná metoda uvedení vlastností položkové analýzy deskriptivní induktivní parametrické

Cronbachův koeficient α nová adaptovaná metoda uvedení vlastností položkové analýzy deskriptivní induktivní parametrické Československá psychologie 0009-062X Metodologické požadavky na výzkumné studie METODOLOGICKÉ POŽADAVKY NA VÝZKUMNÉ STUDIE Výzkumné studie mají přinášet nová konkrétní zjištění získaná specifickými výzkumnými

Více

Kurz SPSS: Jednoduchá analýza dat. Jiří Šafr

Kurz SPSS: Jednoduchá analýza dat. Jiří Šafr Kurz SPSS: Jednoduchá analýza dat Jiří Šafr vytvořeno 29. 6. 2009 Dva základní typy statistiky 1. Popisná statistika: metody pro zjišťování a sumarizaci informací grfy, tabulky, popisné chrakteristiky

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

META-ANALÝZA Z POHLEDU STATISTIKA. Medicína založená na důkazu - Modul 3B

META-ANALÝZA Z POHLEDU STATISTIKA. Medicína založená na důkazu - Modul 3B META-ANALÝZA Z POHLEDU STATISTIKA Medicína založená na důkazu - Modul 3B OBSAH: Úvodní definice... 2 Ověření homogenity pomocí Q statistiky... 3 Testování homogenity studií pomocí I 2 indexu... 6 Výpočet

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Organizační pokyny k přednášce. Matematická statistika. Co je statistika? Přehled témat

Organizační pokyny k přednášce. Matematická statistika. Co je statistika? Přehled témat Organizační pokyny k přednášce Matematická statistika MS710P05 Zdeněk Hlávka (Šárka Hudecová, Michal Kulich) Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hlavka@karlin.mff.cuni.cz

Více

Třídění statistických dat

Třídění 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.

Více

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D.

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. STATISTIKA LS 2013 Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. Cvičící: Ing. Ondřej Grunt RNDr. Pavel Jahoda, Ph.D. Ing. Kateřina Janurová Mgr. Tereza

Více

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách

VNITROSKUPINOVÝ 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

Více

VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA

VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA Katedra matematiky STATISTIKA V SPSS Jana Borůvková, Petra Horáčková, Miroslav Hanáček 2014 Jana Borůvková, Petra Horáčková, Miroslav Hanáček STATISTIKA V SPSS 1. vydání

Více

Úvod do statistiky (interaktivní učební text) - Řešené příklady. Martina Litschmannová

Úvod do statistiky (interaktivní učební text) - Řešené příklady. Martina Litschmannová Vysoká škola báňská Technická univerzita Ostrava Západočeská univerzita v Plzni Úvod do statistiky (interaktivní učební text) - Řešené příklady Martina Litschmannová 1. strana ze 159 1 Explorační analýza

Více

Sbírka příkladů k procvičení VMZDP, VMZDH, VMZDK

Sbírka příkladů k procvičení VMZDP, VMZDH, VMZDK Sbírka příkladů k procvičení VMZDP, VMZDH, VMZDK 1. Na základě údajů uvedených v tabulce rozhodněte, zda existuje závislost mezi roky a počtem firem ve Šluknovském výběžku, které zaměstnávaly osoby zdravotně

Více

Malé statistické repetitorium Verze s řešením

Malé statistické repetitorium Verze s řešením Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční

Více

IV. CVIENÍ ZE STATISTIKY

IV. CVIENÍ ZE STATISTIKY IV. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data kvantitativní povahy. K tomuto budeme opt používat program Excel 2007 MS Office. 1. Jak mžeme analyzovat kvantitativní

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení

Více

ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 2004.

ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 2004. ANALÝZA OBTÍŽNOSTI TESTU STUDIJNÍCH PŘEDPOKLADŮ NA EKONOMICKO SPRÁVNÍ A PRÁVNICKÉ FAKULTĚ MASARYKOVY UNIVERZITY V ROCE 04 Marie Budíková Katedra aplikované matematiky, Přírodovědecká fakulta, Masarykova

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do

Více

Jak nelhat se statistikou? Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava

Jak nelhat se statistikou? Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava Jak nelhat se statistikou? Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava Co je to statistika? teoretická disciplína, která se zabývá metodami sběru a analýzy dat Jak získat data?

Více

VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA. Katedra matematiky STATISTICA ÚVOD DO ZPRACOVÁNÍ DAT. Jana Borůvková, Petra Horáčková, Miroslav Hanáček

VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA. Katedra matematiky STATISTICA ÚVOD DO ZPRACOVÁNÍ DAT. Jana Borůvková, Petra Horáčková, Miroslav Hanáček VYSOKÁ ŠKOLA POLYTECHNICKÁ JIHLAVA Katedra matematiky STATISTICA ÚVOD DO ZPRACOVÁNÍ DAT Jana Borůvková, Petra Horáčková, Miroslav Hanáček 2013 Jana Borůvková, Petra Horáčková, Miroslav Hanáček STATISTICA

Více

Me neˇ nezˇ minimum ze statistiky Michaela S ˇ edova KPMS MFF UK Principy medicı ny zalozˇene na du kazech a za klady veˇdecke prˇı pravy 1 / 76

Me neˇ nezˇ minimum ze statistiky Michaela S ˇ edova KPMS MFF UK Principy medicı ny zalozˇene na du kazech a za klady veˇdecke prˇı pravy 1 / 76 1 / 76 Méně než minimum ze statistiky Michaela Šedová KPMS MFF UK Principy medicíny založené na důkazech a základy vědecké přípravy Příklad Studie syndromu náhodného úmrtí dětí. Dvě skupiny: Děti, které

Více

Biostatistika a matematické metody epidemiologie - stručné studijní texty

Biostatistika a matematické metody epidemiologie - stručné studijní texty Biostatistika a matematické metody epidemiologie - stručné studijní texty Bohumír Procházka, SZÚ Praha 1 Co můžeme sledovat Pro charakteristiku nebo vlastnost, kterou chceme sledovat zvolíme termín jev.

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

Více

Přednáška 10. Analýza závislosti

Přednáška 10. Analýza závislosti Přednáška 10 Analýza závislosti Analýza závislosti dvou kategoriálních proměnných Analýza závislosti v kontingečních tabulkách Analýza závislosti v asociačních tabulkách Simpsonův paradox Analýza závislosti

Více

SW podpora při řešení projektů s aplikací statistických metod

SW podpora při řešení projektů s aplikací statistických metod SW podpora při řešení projektů s aplikací statistických metod Jan Král, Josef Křepela Úvod Uplatňování statistických metod vyžaduje počítačovou podporu. V současné době je rozšiřována řada vynikajících

Více

Statistika pro gymnázia

Statistika pro gymnázia Statistika pro gymnázia Pracovní verze učebního textu ZÁKLADNÍ POJMY Statistika zkoumá jevy (společenské, přírodní, technické) ve velkých statistických souborech. Prvky statistických souborů se nazývají

Více