Nejistoty měření v metrologii
|
|
- Filip Jaroš
- před 7 lety
- Počet zobrazení:
Transkript
1 Nejstoty měřeí v metrolog Jří ltký, Vladmír ajzík, la elou Katedra tetlích materálů, Tetlí fakulta, Techcká uversta v Lberc, Lberec Katedra aalytcké cheme, Uversta Pardubce, Pardubce otto: The oly relevat thg s ucertaty - the etet of our koledge ad gorace. The actual fact of hether or ot the evets cosdered are some sese determed, or ko by other people, ad so o, s of o cosequece [ ruo defet ]. Úvod Je zámo, ţe měřeí a terpretace výsledků měřeí je základem jak přírodích tak techckých věd. Ţádé měřeí eí úplě perfektí, protoţe probíhá a přístrojích s omezeou přesostí kostruovaých podle přblţých měřcích prcpů a v průběhu měřeí se vyskytuje řada ekostatích podmíek. V řadě případů je tegrálí součástí měřcího řetězce také člověk jako zdroj subjektvty resp. epřesost. V pra jsou tedy měřeí zatíţea celou řadou růzých šumů ozačovaých obyčejě jako chyby resp. systematckých vychýleí (bas). Tyto šumy pak způsobují rozptýleí měřeých hodot a jsou zdrojem epřesost výsledků. Způsob kombace jedotlvých chyb je specfková modelem jejch působeí. Účelem měřeí je v ejjedodušším případě staoveí jedé (měřeé) velčy. Výsledky měřeí jsou pak vyjádřey pomocí vhodého odhadu skutečé (ezámé) hodoty a odpovídající míry ejstoty, které souvsejí s modelem působeí chyb resp. vychýleím. Klascká statstka (vycházející z defce pravděpodobost jako lmty relatví četost) poskytuje aparát pro vyjádřeí ejstoty jako tervalu spolehlvost parametru. Vyjádřeí ejstot publkovaé v příručkách [,] je flosofcky blíţe subjektví defc pravděpodobost jako stup důvěry (víry). Tato pravděpodobost pak souvsí spíše s edostatkem zalostí eţ s výsledkem opakovaého epermetu. Nejstoty ISO, EURACHE Itervaly spolehlvost Statstka klascká V této prác je porováí přístupu presetovaého v příručce EURACHE [] resp. příručce NIST [] s klasckým statstckým přístupem vycházejícím z metody mamálí věrohodost [5,6] a ayesovským přístupem vycházejícím ze subjektví pravděpodobost [3]. Jsou ukázáy způsoby vyjádřeí výsledků měřeí pro komplkovaější praktcké stuace. Je avrţe způsob výpočtu ejstot epřímých měřeí zaloţeý a pouţtí smulace typu ootstrap.. Nejstoty výsledků měřeí Nejstota je celkem zámý statstcký pojem souvsející s odhadováím parametrů: Omezme se a základí model adtvích šumů. Pro teto model je výsledek měřeí ve tvaru () 79
2 Parametr (středí hodota) je hodota odhadovaá a základě výsledků měřeí O áhodé chybě.se předpokládá, ţe má ulovou středí hodotu (E( )=0 a kostatí rozptyl D( )=.Nejstota jedotlvého měřeí se pak vyjadřuje tervalem : u, kde u je ásobek.tj. u k. Př volbě k= odpovídá teto terval.přblţě 65 %-ímu tervalu spolehlvost a pro k= odpovídá teto terval přblţě 95 %-ímu tervalu spolehlvost. V řadě případů je stuace sloţtější a ěkteré zdroje chyb jsou eáhodé. Této stuac lépe vyhovuje rozšířeý model b () Systematcké vychýleí (bas) b se často pouze odhaduje a základě epertích odhadů vhodým tervalem a d b a d. Epertí odhad parametrů a,d pak umoţňuje kostrukc kozervatvích ejstot měřeí (-a) (.96 +d) (3) Teto tzv. ortodoí přístup byl svého času doporuče jak amerckou NIST tak aglckou NPL. Základí evýhodou je, ţe áhodá a systematcká sloţka se zpracovávají zvlášť Nejstota výsledku, tj. středí hodoty µ odhadovaé jako je vyjádřea tervalem spolehlvost středí hodoty, pro který platí P(a a ) (4) IP (Iteratoal ureau of eghts ad measures) 980 doporučl pět pravdel pro vyjadřováí ejstoty a a jejch základě pak ISO doporučlo postup zaloţeý obecě a epřímých měřeích, kdy platí f (,z) (5) kde = (,.. P ) jsou měřeé velčy (odpovídající ejstoty u A typu A jsou určey stadardím statstckým postupy z odhadů rozptylů s ) a z =(z,...z R ) jsou eměřeé resp. eměřtelé velčy. Odpovídající ejstoty u typu se určují z epertích odhadů rozptylů s z Odhad D( ) se počítá z Taylorova rozvoje do leárích čleů kde c D( ) c s e s (6) f (,z) j z j j a e f (,z) z Pro určeí (-α)%-ích tervalů spolehlvost se pak vyuţívá tzv. efektvích stupňů volost D( ) eff 4 4 c s / (7) 80
3 Nejstotu výsledku je pak moţo vyuţít vztah t( ) * D( ) (8) eff / Popsaý postup lze pouţít pro vyjádřeí ejstoty rozšířeého modelu vz rov. (). Zřejmě zde platí, ţe z. Pokud je vychýleí z z tervalu a d z a d vyjde Nejstota měřeí ISO ( -a).96* ( + d / 3) Po dosazeí do rov(3) vyjde kozervatví odhad Nejstota měřeí ortodoí ( -a) (.96* +d) Je patré, ţe postup podle ISO zpracovává systematckou sloţku stejě jako áhodou. Je uţtečé porovat postupý vývoj vyjadřováí celkové ejstoty U jako kombace ejstot typu A (statstcká) a typu (estatstcká). V roce 969 byl avrţe (US Ar Force) vztah U [u s *t 0.95] (9) kde druhý čle odpovídá 95 % ímu tervalu spolehlvost středí hodoty určeé z ejstot typu A. ísí se tedy míry rozptýleí a tervalové odhady. Navíc eí celková ejstota tervalem. V roce 985 byl (ASE) avrţe výraz U [u (s *t 0.95) ] (0) Také zde se mísí bodové odhady a tervalové odhady. Celková ejstota je však jţ tervalem. Koečě v roce 993 avrhla ISO ufkovaý postup vedoucí k tervalu U k [u u ] () A Tato defce umoţňuje vyuţtí eepermetálí formace. Na druhé straě je problémem, jak staovt zdroje ejstot a jejch varabltu. 3. Zpracováí epřímých měřeí Výsledek aalýzy lze v tomto případě vyjádřt jako y f(,... ) () Zde f( ) je zámá fukce skutečých hodot výsledků přímých měřeí aţ (apř. měříme poloměr a chceme zát plochu příčého řezu kruhových vláke). K dspozc jsou odhady parametrů (,,... ) a příslušé odhady rozptylů resp. čtverců ejstot D( ), D( ),... D( ). 8
4 Stadardí statstcká aalýza [5,6]. a) Odhad y z odhadů =,... b) Odhad rozptylu D( y ) c) Odhad tervalu spolehlvost pro y Aalýza ejstot podle EURACHE (vz [,].) a) Odhad y z odhadů =,... : Neřeší se přímo, ale zřejmě se přílš apromatvě předpokládá y f (,,... ). b) Odhad rozptylu D( y ): Je vlastě rozšířeá ejstota u(y). Vychází se z předpokladu, ţe f( ) lze ahradt learzací Taylorovým rozvojem v okolí. y f ( ) f ( ) f (.) D( y) u( y) f (.). D( ) u( ) cov(...) D(y) se esprávě ozačuje jako záko šířeí ejstot. V případě ţe zdroje ejstot jsou leárě závslé provádí se korekce s vyuţtím kovarací cov (. ). Learzace může být v řadě případů velm epřesá, zejméa co se týče tervalů spolehlvost (rozšířeé ejstoty). Příklad a epřesost learrzace [3]. Eerge protou E [GeV] se dá určt z jeho rychlost c podle vztahu m. c E ( v / c) Pro případ, ţe rychlost je měřea s relatví přesostí 0,% a v/c = 0,997je třeba odhadout 95 %-í kofdečí terval Learzace Korektí řešeí 0.7 E 4 7. E c) Odhad tervalu spolehlvost pro y: Předpokládá se téměř vţdy ekorektě přblţá ormalta. (Neleárí fukce ormálě rozděleých áhodých velč jţ ormálí rozděleí emá!!). Polova 95 % - ího tervalu spolehlvost, resp. rozšířeá ejstota je pak U. u( y). Zde resp. přesěj,98 je kvatl ormovaého ormálího rozděleí. Pro eleárí trasformac však rezultují esymetrcká rozděleí, coţ vede k esymetrckému tervalu spolehlvost. Ve specálích případech (apř. stopová aalýza) to můţe výrazě ovlvt závěry (pro postvě zeškmeá rozděleí vyjde ve směru k ţším hodotám korektější terval uţší a ve směru k vyšším hodotám šrší). 4. Výhrady k ejstotám A. Termologcké EURACHE Stadardí ejstota A Stadardí ejstota Kombovaá ejstota Rozšířeá ejstota Faktor pokrytí Statstka klascká směrodatá odchylka měřeé šumové sloţky směrodatá odchylka (odhadutá) šumové sloţky směrodatá odchylka fukce y polova tervalu spolehlvost kvatl ormovaého ormálího rozděleí 8
5 Termologcké epřesost ejsou a závadu, pokud se alezou a přesě uvedou rozumé důvody proč je potřeba volt vlastí ázvosloví.. Statstcké Vychází se z těchto strktích předpokladů bez ověřeí: a) adtví model měřeí resp. působeí šumových sloţek (zdrojů ejstot) b) kostatí rozptyl měřeí (resp. zdrojů ejstot) c) ormalta eleárí fukce ormálě rozděleých proměých (pro určeí rozšířeé ejstoty resp. tervalu spolehlvost - IS) d) ekorelovaost měřeí e) malá elearta f( ) umoţňující pouţtí learzace. Dále je zde ekorektost př kostrukc a terpretac U (resp. IS). Klascká statstka vede k tomu, ţe pro je 00(- ) -í terval spolehlvost parametru rove [5,6].. D( ) /. Př výpočtu pomocí ejstot eí vlastě kombovaá ejstota u c pouze odhadem rozptylu D( ), ale obsahuje další sloţky. Pak tedy vyjde rozšířeá ejstota systematcky vyšší eţ polova tervalu spolehlvost, hodota ezajšťuje přblţě 95%-í pokrytí a terpretace takového tervalu je esadá. C. Výpočetí ísto áhrady dervací dferecem, jak se doporučuje v příručkách, by bylo podstatě jedodušší uţít smulace ebo tzv. ootstrap odhadů (zejméa tam, kde se pouţívá pro výpočty počítač). 5. ayesovský přístup k ejstotám Vychází se z ayesovy defce podmíěé pravděpodobost a vyuţívá se a prorích formací (ozačeé deem o). Věrohodostí fukce je obecě sdruţeá hustota pravděpodobost f ( /, h), kde (,.... ) jsou měřeí a h ( h,... h ) jsou hodoty ovlvňujících proměých (zdrojů ejstot - t.j. eterích esledovaých parametrů, systematckých odchylek, kalbračích kostat atd.). A prorí formace o jsou vyjádřey hustotou pravděpodobost f o ( ). Podle ayesovy formule pak lze a posterorí hustotu pro t.j. f ( / ) vyjádřt jako f ( / ) f ( /,h ).f ( ) o o o o f (,h ).f ( )d (3) Tato rovce vychází z předpokladu, ţe všechy ovlvňující velčy abývají hodot h o. Př zalost a posterorí hustoty pravděpodobost f ( / ) (které je kombací a prorí pravděpodobost f o ( ) a formací skrytých v epermetu) se sado z defce určí odhady středí hodoty.f ( / )d (4) 83
6 a rozptylu D( ) ( ).f ( / )d (5) Pro velké rozsahy epermetu je a prorí formace málo důleţtá a f ( / ) je pak úměré přímo věrohodostí fukc. amálě věrohodé odhady pak odpovídají odhadům ayesovským. ayesovy formule lze pouţít také v případech, kdy se vyskytují systematcké odchylky. (šumové sloţky emají ulovou středí hodotu). Předpokládejme, ţe velča h, ovlvňující velkost má rozděleí h N(h o, h ) a měřeí mají rozděleí N(, ). Pak a základě ayesova vztahu určíme, ţe N( h o, h ). To zameá, ţe výsledek je korgová o hodotu systematcké odchylky a celkový rozptyl je součtem rozptylu měřeí (určtelý z opakovaých měřeí) a rozptylu ovlvňující velčy (můţe být urče ěkým jým - kostrukce přístroje, resp. smulačě atp.). Zde je ejstota typu A a h je ejstota typu. 6. odely měřeí Podle působeí šumové sloţky rozlšujeme tyto modely: Adtví ultplkatví Obecé Podle předpokladu o šumové sloţce se rozlšuje: Kostatí rozptyl Nekostatí rozptyl Autokorelace A O K N R Podle předpokladu o rozděleí chyb resultují dva typy modelů I. symetrcké rozděleí: Pro teto typ rozděleí má hustota pravděpodobost tvar P p ( ) QNep (6) Zde Q N je ormalzačí kostata, P= Laplaceovo rozděleí P= Normálí rozděleí P Rovoměré rozděleí je úměré rozptylu a P specfkuje typ rozděleí. II. esymetrcké rozděleí: Jeda z cest ápravy je zde pouţtí vhodé symetrzačí trasformace h(.) (tzv.ts modely) ve které přblţě platí, ţe h( ) h( ) (7) kde E( ) 0, D( ). Pak lze pro odhad středí hodoty pouţít vztah h h( ) (8) 84
7 Pro mocou trasformac h(), 0 resp h() l, 0 je apromatvě / Podle velkost pak rezultují růzé průměry Harmocky Geometrcky Artmetcky Kvadratcky 6. etoda mamálí věrohodost: Tato metoda slouţí pro odhad parametrů př zámém rozděleí chyb měřeí. Za předpokladu ezávslých je věrohodostí fukce resp. její logartmus (9) l L( ) l p( ) (0) amálě věrohodý odhad je pak ma(l L( ))..vypočteý apř. z podmíky.. l L( ) 0 Obecý model působeí poruch zahruje jak adtví tak multplkatví modely g(, ),... () Př zalost p ( ) je p( ) p g (,, ) A. odely adtví. odely multplkatví g (.) g (.) g (.) l l g (.) g (.) () 6. Typcké modely. AKP : odel měřeí má tvar Rozptyl měřeí je, D( ) * * N(0,) Odhadem parametru je a rozptyl je D( ) N Teto model se používá jako praktcky jedý př výpočtech stadardích ejstot.. ANP odel měřeí má tvar Rozptyl měřeí je * D( ) 85
8 Odhadem parametru je a rozptyl je D( ) Specálím případem je měřeí s kostatí relatví odchylkou (relatví přesostí) běţé u řady měřcích přístrojů. Pak je relatví odchylka Rozptyl měřeí je V X V X D( ) a váhy V V Odhadem parametru je a rozptyl je V D( ) 3. ARP odel měřeí má tvar W * kde W W Rozptyl měřeí je D( ) a rozptyl je D( ) 4. KP odel měřeí má tvar ep(. ) Rozptyl měřeí je D(l ) D( ) Odhadem parametru je geometrcký průměr ep l N a rozptyl je D( ) * Teto model lépe vysthují fyzkálí měřeí, kdy výsledky z měřcích přístrojů jsou pouze kladé. Pro p tj. eormálí rozděleí šumové sloţky je metoda mamálí věrohodost komplkovaější Jedoduché výrazy rezultují pro : AKP = med( ) ( ) AKP () () 7. Smulace pro výpočet ejstot epřímých měřeí Jak bylo ukázáo výše, závsí přesost výpočtu ejstot epřímých měřeí a eleartě fukce (vz rov (5)). Pro slě eleárí fukce f (,z) je výpočet odpovídajícího rozptylu odhadu D( ) c s e s slě zkresleý. S výhodou se v těchto stuacích j z j j dá pouţít smulačí výpočet zaloţey a myšlekách metod ootstrap. Prcpy metod ootstrap lze jedoduše demostrovat a a příkladu kostrukc tervalu spolehlvost populačího parametru p s. Pro teto účel je obecě třeba zát rozděleí g(p) jeho odhadu p. 86
9 Pro ěkterá rozděleí (apř. ormálí) a parametry (středí hodota, rozptyl) jsou rozděleí odhadů ebo jejch fukcí zámy a tervaly spolehlvost je moţé kostruovat relatvě sado. Pro ezámé rozděleí výběru = (.. N ) a lbovolý parametr p s lze s výhodou pouţít techk ootstrap, které umoţňují jak alezeí rozděleí výběrové statstky p, tak kostrukc tervalu spolehlvost. Základí myšleka metod ootstrap je jedoduchá[6-8]. Spočívá v geerac -tce smulovaých výběrů v..v ozačovaých jako ootstrap výběry. Jejch rozděleí odpovídá rozděleí původího výběru, charakterzovaého hustotou pravděpodobost g(). Z těchto výběrů se určí -tce odhadů p = p() hledaého parametru p s. Z této -tce hodot lze počítat tervaly spolehlvost pomocí celé řady metod. A. Odhad z asymptotcké ormalty Jde o ejjedodušší postup zaloţeý a představě, ţe je dostatečě velké a p =..N lze zpracovat jako výběr z ormálího rozděleí. Pro tzv. ootstrap odhad středí hodoty parametru p s platí p p (3) a odpovídající rozptyl má tvar s ( p p ) (4) Pro 00(- ) %í terval spolehlvost parametru ps se pak pouţje zámý vztah p u * s ps p u * s (5) / / kde u / je kvatl ormovaého ormálího rozděleí.. Percetlový odhad Teto postup je zaloţe a eparametrckém odhadu mezí tervalu spolehlvost vycházejícím z pořádkových statstk p (),kde p () p (+) jsou pořádkové statstky, pro které platí, ţe jsou d %ím kvatlem rozděleí odhadu p pro d Dolí mez 00(- ) %í tervalu spolehlvost je pak LC kde k t[ * ( )/ ] (6) p ( k ) a pro horí mez platí UC kde k t[( / )* ( )] (7) p ( k ) Zde t () je celá část čísla. C. Studetzovaý odhad Teto odhad vychází z jedoduché trasformace vedoucí a Studetzovaou áhodou velču t p p t s 87
10 kde s je výběrová směrodatá odchylka počítaá pro - tý ootstrap výběr v. Pro 00(-α) %í terval spolehlvost pak platí p t * s ps p t * s (8) D D kde pořádková statstka t D t (t[ *( ) / ]) a pořádková statstka t H t (t[( / )*( )]) D. Vyhlazeý odhad Obecě lze a základě hodot p sestavt odhad hustoty pravděpodobost jejch rozděleí fe(p) apř. s vyuţtím hstogramu ebo jádrového odhadu. Př zalost fukce fe(p) se sado kostruuje terval spolehlvost přímo z defce. Pro meze tohoto tervalu pak platí, ţe LC / fe( p )dp a / UC fe( p )dp Podle typu odhadu fe můţe jít o úlohu umercké ebo aalytcké tegrace. Základím předpokladem úspěšost celého postupu je geerace ootstrap výběrů. Pro teto účel je třeba buď zát ebo volt rozděleí g(). Stadardí techka eparametrckého ootstrap vychází z eparametrckého odhadu g() ve tvaru g( ) ( ) N kde Dracova fukce ( ) pro ( ) a všude jde je. ( ) 0. Toto rozděleí pokládá pravděpodobost /N v kaţdém bodě. Smulovaé výběry se pak realzují jako áhodé výběry sloţeé z prvků původího výběru s vraceím (tj. jede prvek původího výběru se můţe v smulovaém výběru vyskytovat opakovaě). Tato techka se pro účely výpočtu ejstot epřímých měřeí ehodí, protoţe ezohledňuje ejstoty typu. Další moţostí je kostruovat vhodý parametrcký model g(), odhadout jeho parametry a geerovat smulovaé výběry stadardím postupy. Teto přístup aráţí a celou řadu problémů souvsejících s moţou ehomogetou, vybočujícím body, heteroskedastctou a autokorelací. Parametrcký model se dá pouţít pro ejstoty typu (kde vlastě př opakováí epermetů za stejých podmíek jsou odpovídající příspěvky k celkovému rozptylu ulové). ootstrap metody obecě poskytují formace jak o bodových odhadech, tak tervalech spolehlvost. Uvaţujme stadardí eparametrcký ootstrap (v jsou výběry s vraceím ) pro ps = µ, tj. jde o středí hodotu a její terval spolehlvost středí hodoty. Lze sado určt, ţe v tomto případě je ootstrap průměr totoţý s artmetckým průměrem původích dat a ootstrap rozptyl je -krát meší eţ rozptyl původích dat. Lší se však tervaly spolehlvost zejméa tam, kde se rozděleí dat výrazě odchyluje od ormálího rozděleí. Kromě stadardího ootstrap lze pouţít také dvojtý ootstrap (ootstrap aplkovaý a výběry v ), blokový ootstrap (realzace výběru s vraceím a bloky homogeích dat a sestaveí celkového ootstrap výběru spojeím výsledků). [7] Z hledska realzace metod ootstrap a počítač je základem geerace smulovaých výběrů. Velm jedoduše se dá tato operace provést v jazyku ATLA s vyuţtím vektorového trku. 88
11 Úsek programu má tvar ar=load('dat.tt');[c s]=sze(ar); b=800; f c == ar=ar';c=s; ed =ar(cel(c*rad(c,b))); Předpokládá se, ţe -tce dat je v souboru dat.tt a b tce ootstrap výběrů je v pol. Pro výpočet odhadu p se pouţívá stadardích postupů. Výpočet tervalů spolehlvost je pak závslý a volbě přístupu. Př výpočtu ejstot epřímých měřeí lze v zásadě pouţít parametrcký ootstap s tím, ţe pro ejstoty typu A se v kaţdém smulovaém výběru určí z předpokládaého rozděleí a pro ejstoty typu se určí příspěvky k chybě měře (stadardí předpoklad je, ţe E(z) 0 ). Kokrétí kombace f ( ) a se zvolí a základě vybraého modelu měřeí (vz. kap. 7). 8. Závěr Je patré, ţe výpočet ejstot, jak je avrţe ISO a EURACHE je pouţtelý je za specálích předpokladů o působeí poruch, typu modelovaé fukce a zdrojích ejstot. Pro sloţtější stuace je vţdy lépe ejdříve alézt vhodý model měřeí a v jeho rámc pak provádět staoveí tervalu eurčtost. Také problém áhodých a systematckých eepermetálích chyb eí ještě uspokojvě dořeše. Poděkováí: Tato práce vzkla s podporou gratů ŠT VCT II No a CQR No Lteratura [] Quatfyg Ucertaty Aalytcal easuremet, EURACHE 995 [] Taylor., Kuyatt CH.E. : Gudeles for Evaluato ad Epressg the Ucertaty of NIST easuremet Results, NIST Tech. Note 97, 994 [3] D Agost G. : Probablty ad easuremet Ucertaty Physc, Rept. DESY 95-4, Roma December 995 [4] Phllps S.D., Eberhart K. R., Parry.: Gudeles for Epressg the Ucertaty of easuremet Results Cotag Ucorrected as, J. Res. Natl. Ist. of Stadards 0, 577 (997) [5] elou., ltký J., Fora.: Chemometrcs for Aalytcal Chemstry, vol I, Ells Horood, Chchester, 99 [6] elou., ltký J.: Statstcká aalýza epermetálích dat, Academa Praha 004 [7] Wekres, R. a kol.: Chem.It. Lab. Systems 54, 35-5 (000) [8] Davdso, A., Hkley, D.V.,: ootstrap ethods ad Ther Applcatos, Cambrdge Uv. Press, Cambrdge,
Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i
: ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
Vícea další charakteristikou je četnost výběrového souboru n.
Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu
Více3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.
3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet
Více8 NELINEÁRNÍ REGRESNÍ MODELY
8 NELINEÁRNÍ REGRESNÍ MODELY 8 Tvorba eleárího regresího modelu Postup tvorby eleárího regresího modelu se dá rozčlet do těchto kroků: Návrh regresího modelu Obvykle se jako eleárí regresí model používá
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2013.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceP1: Úvod do experimentálních metod
P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VíceChyby přímých měření. Úvod
Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,
VíceIV. MKP vynucené kmitání
Jří Máca - katedra mechaky - B35 - tel. 435 4500 maca@fsv.cvut.cz IV. MKP vyuceé kmtáí. Rovce vyuceého kmtáí. Modálí aalýza rozklad do vlastích tvarů 3. Přímá tegrace pohybových rovc 3. Metoda cetrálích
VícePřednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.
Předáška V. Úvod do teore odhadu Pojmy a prcpy teore odhadu Nestraé odhady Metoda mamálí věrohodost Průměr vs. medá Opakováí výběrová dstrbučí fukce Sestrojíme výběrovou dstrbučí fukc pro výšku a váhu
VíceSpolehlivost a diagnostika
Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore
Více, jsou naměřené a vypočtené hodnoty závisle
Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,
VíceVY_52_INOVACE_J 05 01
Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí
VíceT e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č.
Evropská federace árodích asocací měřcích, zkušebích a aalytckých laboratoří Techcká zpráva č. /006 Srpe 006 Poky pro vyhodoceí ejstoty měřeí výsledků kvattatvích zkoušek T e c h c k á z p r á v a EUROLAB
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VícePRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady
SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc
VíceTestování statistických hypotéz
Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím
Více1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru
Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VíceMendelova univerzita v Brně Statistika projekt
Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
Více9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost
Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,
VícePRAVDĚPODOBNOST A STATISTIKA
SP4 Přpomeutí pojmů PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů SP4 Přpomeutí pojmů Pravděpodobost Náhodý jev: - základí prostor - elemetárí áhodý jev A - áhodý jev, - emožý jev, jstý jev podjev opačý
VíceStatistická analýza dat
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Statstcká aalýza dat Učebí texty k semář Autor: Prof. RNDr. Mla Melou, DrSc. Datum: 5.. 011 Cetrum pro rozvoj výzkumu pokročlých řídcích a sezorckých techologí CZ.1.07/.3.00/09.0031
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
Více[ jednotky ] Chyby měření
Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2
SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
Více12. Neparametrické hypotézy
. Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,
VíceLineární regrese ( ) 2
Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující
VíceÚvod do korelační a regresní analýzy
Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou
Více1. Základy měření neelektrických veličin
. Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
VíceDoc. Ing. Dagmar Blatná, CSc.
PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj
VícePRAVDĚPODOBNOST A STATISTIKA
SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty
Více11. Popisná statistika
. Popsá statstka.. Pozámka: Př statstckém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákotost, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme statstcké jedotky. Př
VíceVýukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT
Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceUSTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH
USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou
Více5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC
5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém
Více4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností
4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.
VícePRAVDĚPODOBNOST A STATISTIKA
SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje
Více11. Časové řady. 11.1. Pojem a klasifikace časových řad
. Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé
VíceÚvod do teorie měření
Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých
VíceVýstup a n. Vstup. obrázek 1: Blokové schéma a graf paralelní soustavy
Paralelí soustava Vstup a a Výstup a Vstup a Výstup a a obrázek : Blokové schéma a graf paralelí soustavy paralelí soustava je v bezporuchovém stavu je-l v bezporuchovém stavu prvek (tzv. adbytečé spojeí
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
VícePřednáška č. 10 Analýza rozptylu při jednoduchém třídění
Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceSTATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson
STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,
VícePřednáška č. 2 náhodné veličiny
Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VíceChyby měření: 1. hrubé chyby - nepozornost, omyl, únava pozorovatele... - významně převyšuje rozptyl náhodné chyby 2. systematické chyby - chybné
CHYBY MĚŘENÍ Opakovaé měřeí téže fyzkáí večy evede vždy k přesě stejým výsedkům. Této skutečost bychom se evyhu, kdybychom měřeí provádě s ejvětší důkadostí a precsostí aopak, čím ctvější a přesější jsou
VíceTesty statistických hypotéz
Úvod Testy statstckých hypotéz Václav Adamec vadamec@medelu.cz Testováí: kvalfkovaá procedura vedoucí v zamítutí ebo ezamítutí ulové hypotézy v podmíkách ejstoty Testy jsou vázáy a rozděleí áhodých velč
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceTest dobré shody se používá nejčastěji pro ověřování těchto hypotéz:
Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Více8. Zákony velkých čísel
8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy
VíceOptimalizace portfolia
Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ
VíceÚVOD DO PRAKTICKÉ FYZIKY I
JIŘÍ ENGLICH ÚVOD DO PRAKTICKÉ FYZIKY I ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ Jede z epermetů, které změly vývoj fyzky v mulém století. V roce 9 prof. H. Kamerlgh Oes ve své laboratoř v Leydeu měřl teplotí závslost
VíceLABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
VíceRegrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n
Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =
VíceIAJCE Přednáška č. 12
Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
VíceInterpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2
Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE Praha 8 Pavel Třasák ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ
VíceStatistika - vícerozměrné metody
Statstka - vícerozměré metody Mgr. Mart Sebera, Ph.D. Katedra kezologe Masarykova uverzta Fakulta sportovích studí Bro 0 Obsah Obsah... Sezam obrázků... 4 Sezam tabulek... 4 Úvod... 6 Pojmy... 7 Náhodé
VíceVYUŽITÍ STATISTIKY V POŽÁRNÍM ZKUŠEBNICTVÍ
Eergetcky efektví budovy 05 sympozum Společost pro techku prostředí 5. říja 05, Buštěhrad VYUŽITÍ STATISTIKY V POŽÁRNÍM ZKUŠEBNICTVÍ Otto Dvořák Archtektura a terakce budov s žvotím prostředím, UCEEB,
Vícevají statistické metody v biomedicíně
Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk
VíceL A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
Vícevají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví
Statistika v biomedicísk ském výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Literatura Edice Biomedicísk ská statistika vydáva vaá a Uiverzitě
Vícejsou varianty znaku) b) při intervalovém třídění (hodnoty x
Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém
Více14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat
4. Korelace 4. Teoretcké základy korelace 4. Způsoby měřeí závslostí pro růzé typy dat Př prác se statstckým údaj se velm často setkáváme s daty, která jsou tvořea dvojcem, trojcem hodot. Složky takovýchto
VíceS1P Popisná statistika. Popisná statistika. Libor Žák
SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk
VíceIII. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ
III. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ Způsob, jímž se provádí fzkálí měřeí, závsí jedak a povaze měřeé velč, jedak a tom, ze kterých vztahů pro měřeou velču vjdeme a jakých přístrojů použjeme. Všech měřcí
VíceUPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ
3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,
Více- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.
MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
Více1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor
1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceLineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR
Leárí a adaptví zpracoví dat 5. Leárí fltrace: FIR, IIR Dael Schwarz Ivestce do rozvoje vzděláváí Opakováí 2 Co je to fltrace? Co je to fltr? A jak ho popsujeme? Jaký je vztah Z trasformace a Fourerovy
VíceIntervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním
Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí
Více