6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

Rozměr: px
Začít zobrazení ze stránky:

Download "6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna."

Transkript

1 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola a kapitola 3 a ásledující kapitoly se zaměřily a teoretické modely populačích souborů kapitola 5 Jedím ze základích problémů, které ám pomáhá statistika řešit, je odhadout charakter populačího souboru apříklad odhadout parametry modelového rozděleí a základě malého počtu pozorováí ějaké veličiy, a základě výběru V předcházející kapitole jsme se podrobě věovali ormálímu rozděleí, které je přirozeým modelem pro řadu reálých situací Výzam ormálího rozděleí je však také v jeho statistických vlastostech - lze ukázat, že pokud budeme opakovaě provádět výběr z populace a pro každý výběr spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z ormálího rozděleí Rozděleí vziklé opakovaým vybíráím vybíráme prvků a výpočtem výběrového aritmetického průměru x se azývá rozděleí výběrového průměru a lze matematicky dokázat, že toto rozděleí má při velmi obecých podmíkách ormálí rozděleí pro rozsah výběru jdoucí do ekoeča Obrázek : Rozděleí výběrového průměru

2 Na obrázku vidíme vlastosti, které můžeme formulovat ásledujícím způsobem: rozděleí výběrového průměru má stejý průměr stejou středí hodotu jako rozděleí populace Ex = µ; variabilita rozděleí výběrového průměru klesá se zvětšováím rozsahu výběru Ex = σ ; rozděleí průměrů odpovídá ormálímu rozděleí více ež rozděleí populace x N µ; σ Pokud tedy aše aměřeá data mají charakter průměrých hodot, můžeme předpokládat, že odpovídají modelu ormálího rozděleí 6 Itervaly spolehlivosti, koeficiet spolehlivosti, hladia výzamosti Typický způsob statistického uvažováí je ásledující Máme k dispozici aměřeá data, tato data považujeme za výběr áhodý výběr z populace rozsahu a předpokládáme, že populace má charakter ormálího rozděleí Pak podle výše uvedeých vlastostí můžeme za přirozeý odhad populačího průměru µ použít aritmetický průměr ašeho výběrového souboru Takovémuto odhadu říkáme bodový odhad Víme ale, že bodový odhad je ovlivě celou řadou dalších faktorů, ve kterých se projevují odlišosti výběru Proto místo bodových odhadů používáme itervalové odhady, kde alezeme iterval, ve kterém skutečá hodota populačího průměru bude velmi pravděpodobě ležet Jako hraice mezi je velmi epravděpodobé a e tak velmi epravděpodobé se běžě užívá pravděpodobost 5%, tato hraičí hodota se azývá hladia výzamosti a začí se Hodota se azývá koeficiet spolehlivosti a itervaly, které odvodíme pro zvoleé azýváme 00%-í iterval spolehlivosti Určeí itervalu spolehlivosti ám tedy umožňuje tvrdit, že pokud byly splěy všechy předpoklady pak hodota populačího průměru bude ležet uvitř ašeho itervalu v 00% výběrech Formálě zapsáo, když g d je dolí hraice itervalu a g h je horí hraice itervalu, platí Pg d < µ < g h = Jiak řečeo, iterval g d ; g h pokryje hodotu parametru µ s pravděpodobostí, resp provedeme-li z moha růzých áhodých výběrů moho růzých itervalových odhadů parametru µ, pak 00% získaých itervalů spolehlivosti bude pokrývat skutečou hodotu parametru µ Hodota hladiy výzamosti je obvykle volí 5%, ale u velmi rozsáhlých souborů se můžeme setkat též s volbou = % aopak u rozsahově malých souborů se ěkdy spokojíme s volbou = 0% Itervaly tvaru g d ; + resp ; g h azýváme jedostraé dolí, resp horí itervaly spolehlivosti

3 6 Iterval spolehlivosti pro průměr při zámém rozptylu Předpokládáme, že a základí soubor má ormálí rozděleí se zámou hodotou rozptylu σ předpokládáme, že rozptyl ebo směrodatou odchylku záme z jiého statistického šetřeí a že je tuto hodotu možo použít i ásledě Dvoustraý itervalový odhad středí hodoty µ iterval spolehlivosti pro µ má tvra x u σ ; x + u σ Jedostraý itervalový odhad σ x u ; +, resp σ ; x + u, kde x je aritmetický průměr, u je kvatil ormovaého ormálího rozděleí pro = 5%, je u = u 0975 = 96 a u = u 095 = 64, σ je zámá směrodatá odchylka a je rozsah výběru V Excelu ajdeme hodotu u pomocí fukce NORMSINV, apříklad NORMSINV Iterval spolehlivosti pro průměr při ezámém rozptylu Předpokládáme, že a základí soubor má ormálí rozděleí s ezámou hodotou rozptylu σ předpokládáme, že rozptyl ebo směrodatou odchylku ezáme a je třeba ji odhadout z dat, která máme k dispozici Dvoustraý itervalový odhad středí hodoty µ iterval spolehlivosti pro µ x t s ; x + t s Jedostraý itervalový odhad s x t ; +, resp s ; x + t, kde x je aritmetický průměr, t je kvatil Studetova t-rozděleí se stupi volosti, s je odhad směrodaté odchylky s = x i x a je rozsah výběru i= 3

4 V Excelu ajdeme hodotu t pomocí fukce T INV a;, kde a odpovídá hodotě, apříklad t spočteme v Excelu vztahem T INV 00; 0 8 a T INV 00; Další možostí je použití fukce CON F IDEN CE; ssměrodatá odchylka;, která ám poskyte s hodotu t 64 Iterval spolehlivosti pro rozptyl Předpokládáme, že a základí soubor má ormálí rozděleí Dvoustraý itervalový odhad rozptylu σ iterval spolehlivosti pro rozptyl σ s ; s χ χ Jedostraý itervalový odhad s χ ; + resp s ; χ kde χ je kvatil χ rozděleí se stupi volosti, s je odhad směrodaté odchylky s = x i x a je rozsah výběru i= V Excelu ajdeme hodotu χ pomocí fukce CHINV a;, kde a odpovídá hodotě, apříklad χ 0050 spočteme v Excelu vztahem CHINV 0975; a CHINV 005; Iterval spolehlivosti pro rozdíl průměrů u dvou ezávislých výběrů se zámým rozptylem Předpokládáme, že máme k dispozici dva áhodé výběry, které jsou ezávislé a pochází ze základích souborů, které mají ormálí rozděleí se stejou, zámou hodotou rozptylu σ Ozačme, rozsahy výběrů a = +, dále x a x jsou aritmetické průměry příslušých výběrů Dvoustraý itervalový odhad rozdílu středích hodot µ µ iterval spolehlivosti pro µ µ 4

5 x x u σ ; x x + u σ Jedostraý itervalový odhad resp ; x x + u σ ; x x u σ ; + 66 Iterval spolehlivosti pro rozdíl průměrů u dvou ezávislých výběrů s ezámými rozptyly Předpokládáme, že máme k dispozici dva áhodé výběry, které jsou ezávislé a pochází ze základích souborů, které mají ormálí rozděleí, ale o jejich rozptylech emáme žádé další doplňující iformace Ozačme, rozsahy výběrů a = +, dále x a x jsou aritmetické průměry příslušých výběr a s a s jsou odhady rozptylů jedotlivých výběrů s + s Ozačme s p = + Dvoustraý itervalový odhad rozdílu středích hodot µ µ iterval spolehlivosti pro µ µ x x t + s p ; x x + t + s p Jedostraý itervalový odhad resp ; x x + t + s p ; x x t + s p ; + 67 Iterval spolehlivosti pro podíl rozptylů dvou ezávislých výběrů Předpokládáme, že máme k dispozici dva áhodé výběry, které jsou ezávislé a pochází ze základích souborů, které mají ormálí rozděleí, ale o jejich rozptylech emáme žádé další doplňující iformace Dvoustraý itervalový odhad podílu rozptylů σ iterval spolehlivosti pro σ σ σ s s F ; ; s F ; s 5

6 Jedostraý itervalový odhad ; resp F ; F ; s s s s ; + V Excelu ajdeme hodotu F, pomocí fukce F INV a; ;, kde a odpovídá hodotě, apříklad F , 0 spočteme v Excelu vztahem F INV 005; 0; 0 77 a F 005 0, 0 spočteme vztahem F INV 0975; 0; Iterval spolehlivosti pro relativí četost Předpokládejme, že provedeme áhodý výběr rozsahu a zjišt ujeme, kolik z prvků v ašem áhodém výběru má sledovaou vlastost Je-li jich r, pak relativí četost sledovaé vlastosti ve výběru je p = r relativí četost se také udává v procetech, v takovém případě hovoříme o procetu výskytu sledovaé vlastosti Statistická teorie ám říká, že je-li > 00 a pp eí příliš malé, pak relativí četost výskytu vlastosti v celé populaci má ormálí rozděleí s průměrem rovým pravděpodobosti výskytu vlastosti v celé populaci π a směrodatou odchylkou s = π π Dvoustraý itervalový odhad četosti π v populaci iterval spolehlivosti pro π π π π π p u ; p + u 69 Rozsah výběru a jeho vliv a iterval spolehlivosti Jak jsme již ukázali v má a šířku itervalu spolehlivosti velký vliv zvoleá hodota hladiy výzamosti, druhý výzamý faktor ovlivňující šířku itervalu spolehlivosti je rozsah výběru - čím větší je rozsah výběru, tím je variabilita rozděleí výběrového průměru meší a iterval spolehlivosti je užší Ozačme ɛ = g h g d šířku odhadu itervalového dvoustraého odhadu Tato šířka vyjadřuje přesost odhadu a závisí a parametrech daého itervalového odhadu Pro itervalový odhad průměru při zámém rozptylu je šířka itervalu rova ɛ = u σ Pokud požadujeme, aby šíře itervalového odhadu epřekročila mezí hraici ɛ max, pak lze určit požadovaý rozsah áhodého výběru 6

7 > u σ ɛ max Aalogicky lze odvodit miimálí požadovaé rozsahy pro ostatí itervalové odhady 7

12. N á h o d n ý v ý b ě r

12. 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

Více

Deskriptivní statistika 1

Deskriptivní 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

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 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,

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny 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

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE 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,

Více

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter. Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady 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

Více

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý

Více

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním

Intervalový 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

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia

Více

Úloha II.S... odhadnutelná

Úloha 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

Více

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází

Více

Pevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.

Pevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý. evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta troího ižeýrtví Matematika IV Semetrálí práce Zpracoval: Čílo zadáí: 7 Studií kupia: Datum: 8.4. 0 . Při kotrole akoti výrobků byla ledováa odchylka X [mm] eich rozměru

Více

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti 1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto

Více

17. Statistické hypotézy parametrické testy

17. Statistické hypotézy parametrické testy 7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé

Více

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí

Více

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů. Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího

Více

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme

Více

Zhodnocení přesnosti měření

Zhodnocení přesnosti měření Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek

Více

Přednáška VIII. Testování hypotéz o kvantitativních proměnných

Přednáška VIII. Testování hypotéz o kvantitativních proměnných Předáška VIII. Testováí hypotéz o kvatitativích proměých Úvodí pozámky Testy o parametrech rozděleí Testy o parametrech rozděleí Permutačí testy Opakováí hypotézy Co jsou to hypotézy a jak je staovujeme?

Více

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly. 0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace

Více

13 Popisná statistika

13 Popisná statistika 13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický

Více

Odhad parametrů normálního rozdělení a testy hypotéz o těchto parametrech * Věty o výběru z normálního rozdělení

Odhad parametrů normálního rozdělení a testy hypotéz o těchto parametrech * Věty o výběru z normálního rozdělení Odhad parametrů ormálího rozděleí a testy hypotéz o těchto parametrech * Věty o výběru z ormálího rozděleí Nechť, X, X je áhodý výběr z rozděleí N ( µ, ) X, Ozačme výběrový průměr a = X = i = X i i = (

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní 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

Více

2 STEJNORODOST BETONU KONSTRUKCE

2 STEJNORODOST BETONU KONSTRUKCE STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

Více

8. Základy statistiky. 8.1 Statistický soubor

8. Základy statistiky. 8.1 Statistický soubor 8. Základy statistiky 7. ročík - 8. Základy statistiky Statistika je vědí obor, který se zabývá zpracováím hromadých jevů. Tvoří základ pro řadu procesů řízeí, rozhodováí a orgaizováí, protoţe a základě

Více

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova 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

Více

Přednášky část 7 Statistické metody vyhodnocování dat

Přednášky část 7 Statistické metody vyhodnocování dat DŽ ředášky část 7 tatistické metody vyhodocováí dat Mila Růžička mechaika.fs.cvt.cz mila.rzicka@fs.cvt.cz DŽ tatistické metody vyhodocováí dat Jak velké rozptyly lze očekávat mezi dosažeými pevostmi ebo

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní 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

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty 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

Více

Testování statistických hypotéz

Testování 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

Více

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ TESTOVÁNÍ STATISTICKÝC YPOTÉZ je postup, pomocí ěhož a základě áhodého výběru ověřujeme určité předpoklady (hypotézy) o základím souboru STATISTICKÁ YPOTÉZA předpoklad (tvrzeí) o parametru G základího

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

Více

Seriál XXX.II Zpracování dat fyzikálních měření

Seriál XXX.II Zpracování dat fyzikálních měření Seriál: Zpracováí dat fyzikálích měřeí V miulém díle seriálu jsme se sezámili s tím, co je to áhodá veličia, hustota pravděpodobosti a jak se dá v ěkterých případech odhadout typ rozděleí áhodé veličiy

Více

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvalitěí výuky prostředictvím ICT Téma III..3, pracoví list 3 Techická měřeí v MS Ecel Průměry a četosti, odchylky změřeých hodot. Ig. Jiří Chobot

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

Co je to statistika? Statistické hodnocení výsledků zkoušek. Úvod statistické myšlení. Úvod statistické myšlení. Popisná statistika

Co je to statistika? Statistické hodnocení výsledků zkoušek. Úvod statistické myšlení. Úvod statistické myšlení. Popisná statistika Co e to statistika? Statistické hodoceí výsledků zkoušek Petr Misák misak.p@fce.vutbr.cz Statistika e ako bikiy. Odhalí téměř vše, ale to edůležitěší ám zůstae skryto. (autor ezámý) Statistika uda e, má

Více

7. cvičení 4ST201-řešení

7. cvičení 4ST201-řešení cvičící 7. cvičeí 4ST21-řešeí Obsah: Bodový odhad Itervalový odhad Testováí hypotéz Vysoká škola ekoomická 1 Úvod: bodový a itervalový odhad Statistický soubor lze popsat pomocípopisých charakteristik

Více

Náhodný výběr, statistiky a bodový odhad

Náhodný výběr, statistiky a bodový odhad Lekce Náhodý výběr, statistiky a bodový odhad Parametr rozděleí pravděpodobosti je ezámá kostata, jejíž přímé určeí eí možé. Nástrojem pro odhad ezámých parametrů je áhodý výběr a jeho charakteristiky

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost

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. Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která

Více

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se

Více

1. Základy počtu pravděpodobnosti:

1. Základy počtu pravděpodobnosti: www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých

Více

KVALIMETRIE. 16. Statistické metody v metrologii a analytické chemii. Miloslav Suchánek. Řešené příklady na CD-ROM v Excelu.

KVALIMETRIE. 16. Statistické metody v metrologii a analytické chemii. Miloslav Suchánek. Řešené příklady na CD-ROM v Excelu. KVALIMETRIE Miloslav Sucháek 16. Statistické metody v metrologii a aalytické chemii Řešeé příklady a CD-ROM v Excelu Eurachem ZAOSTŘENO NA ANALYTICKOU CHEMII V EVROPĚ Kvalimetrie 16 je zatím posledí z

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

NEPARAMETRICKÉ METODY

NEPARAMETRICKÉ METODY NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost

Více

1 Úvod { }.[ ] A= A A, (1.1)

1 Úvod { }.[ ] A= A A, (1.1) Obsah Obsah... Úvod... 3 Základí pojmy počtu pravděpodobosti... 7. Základí statistické pojmy... 7. Fukce áhodých veliči... 8.3 Charakteristiky áhodých veliči... 0.4 Některá rozděleí pravděpodobosti....5

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test 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

Více

Petr Šedivý Šedivá matematika

Petr Šedivý  Šedivá matematika LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími

Více

b c a P(A B) = c = 4% = 0,04 d

b c a P(A B) = c = 4% = 0,04 d Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá

Více

Pravděpodobnost a statistika - absolutní minumum

Pravděpodobnost a statistika - absolutní minumum Pravděpodobost a statistika - absolutí miumum Jaromír Šrámek 4108, 1.LF, UK Obsah 1. Základy počtu pravděpodobosti 1.1 Defiice pravděpodobosti 1.2 Náhodé veličiy a jejich popis 1.3 Číselé charakteristiky

Více

Iterační výpočty projekt č. 2

Iterační výpočty projekt č. 2 Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....

Více

[ jednotky ] Chyby měření

[ 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

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky

Více

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t. Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví

Více

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

EKONOMETRIE 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

Více

Testování statistických hypotéz

Testování statistických hypotéz Tetováí tatitických hypotéz CHEMOMETRIE I, David MILDE Jedá e o jedu z ejpoužívaějších metod pro vyloveí závěrů o základím ouboru, který ezkoumáme celý, ale pomocí áhodého výběru. Př.: Je obah účié látky

Více

STATISTIKA. Základní pojmy

STATISTIKA. Základní pojmy Statistia /7 STATISTIKA Záladí pojmy Statisticý soubor oečá eprázdá možia M zoumaých objetů schromážděých a záladě toho, že mají jisté společé vlastosti záladí statisticý soubor soubor všech v daé situaci

Více

Interval spolehlivosti pro podíl

Interval spolehlivosti pro podíl Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha

Více

Chyby přímých měření. Úvod

Chyby 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,

Více

Elementární zpracování statistického souboru

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

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C) Přijímací řízeí pro akademický rok 24/ a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata C) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

Diskrétní matematika

Diskrétní matematika Diskrétí matematika Biárí relace, zobrazeí, Teorie grafů, Teorie pravděpodobosti Diskrétí matematika látka z I semestru iformatiky MFF UK Zpracovali: Odřej Keddie Profat, Ja Zaatar Štětia Obsah Biárí relace2

Více

, jsou naměřené a vypočtené hodnoty závisle

, 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,

Více

Obsah. Opravy pro toto vydání: opravy2.proflakace.cz

Obsah. Opravy pro toto vydání: opravy2.proflakace.cz Obsah Úvod... 5 Základí pojmy... 7. Tříděí dat... 7. Míry úrově polohy... 8.3 Míry variability... 8 Počet pravděpodobosti.... Průik a sjedoceí jevů.... Náhodá veličia... 6.3 Rozděleí áhodé veličiy... 8

Více

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika) Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.

Více

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základy měřeí eelektrických veliči.. Měřicí řetězec Měřicí řetězec (měřicí soustava) je soubor měřicích čleů (jedotek) účelě uspořádaých tak, aby bylo ožě split požadovaý úkol měřeí, tj. získat iformaci

Více

5. Posloupnosti a řady

5. Posloupnosti a řady Matematická aalýza I předášky M. Málka cvičeí A. Hakové a R. Otáhalové Zimí semestr 2004/05 5. Poslouposti a řady 5.1 Limita a hromadé hodoty. Mějme posloupost x ) prvků Hausdorffova topologického prostoru

Více

Statistika. Poznámky z přednášek

Statistika. Poznámky z přednášek Statistika Pozámky z předášek Materiál obsahuje pozámky ze předášek plus to co se musíme doučit včetě ukázkových příkladů, které se objevily a předášce, ebo z aplikace etstorage. J.T. OBSAH Úvodí stráka

Více

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications)

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications) Základy datové aalýzy, modelového vývojářství a statistického učeí (Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applicatios) Lukáš Pastorek POZOR: Autor upozorňuje, že se jedá

Více

8 Průzkumová analýza dat

8 Průzkumová analýza dat 8 Průzkumová aalýza dat Cílem průzkumové aalýzy dat (také zámé pod zkratkou EDA - z aglického ázvu exploratory data aalysis) je alezeí zvláštostí statistického chováí dat a ověřeí jejich předpokladů pro

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B) Přijímací řízeí pro akademický rok 24/5 a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata B) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

STATISTIKA PRO EKONOMY

STATISTIKA PRO EKONOMY EDICE UČEBNÍCH TEXTŮ STATISTIKA PRO EKONOMY EDUARD SOUČEK V Y S O K Á Š K O L A E K O N O M I E A M A N A G E M E N T U Eduard Souček Statistika pro ekoomy UČEBNÍ TEXT VYSOKÁ ŠKOLA EKONOMIE A MANAGEMENTU

Více

Geometrická optika. Zákon odrazu a lomu světla

Geometrická optika. Zákon odrazu a lomu světla Geometrická optika Je auka o optickém zobrazováí. Je vybudováa a 4 zákoech, které vyplyuly z pozorováí a ke kterým epotřebujeme zalosti o podstatě světla: ) přímočaré šířeí světla (paprsky) ) ezávislost

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název školy Gymázium, Šterberk, Horí ám. 5 Číslo projektu CZ.1.07/1.5.00/34.0218 Šabloa III/2 Iovace a zkvalitěí výuky prostředictvím ICT Ozačeí materiálu VY_32_INOVACE_Hor018 Vypracoval(a), de Mgr. Radek

Více

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

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 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.

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

Více

Aplikovaná statistika v průmyslu

Aplikovaná statistika v průmyslu Aplikovaá statistika v průmyslu Úvod... Popisá statistika... 3. Základí pomy... 3. Jedorozměrý statistický soubor s kvatitativím zakem... 4.3 Dvourozměrý statistický soubor s kvatitavími zaky... 5.4 Statistické

Více

BAKALÁŘSKÁ STA I. + II.

BAKALÁŘSKÁ STA I. + II. Statistika I. - Teorie ) Statistika - Číselé údaje o hromadých jevech. Praktická čiost - sběr, zpracováí a vyhodocováí statistických údajů - Teoretická disciplía - metody k odhalováí zákoitostí při působeí

Více

3. Charakteristiky a parametry náhodných veličin

3. Charakteristiky a parametry náhodných veličin 3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 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.

Více

Veterinární a farmaceutická univerzita Brno. Základy statistiky. pro studující veterinární medicíny a farmacie

Veterinární a farmaceutická univerzita Brno. Základy statistiky. pro studující veterinární medicíny a farmacie Veteriárí a farmaceutická uiverzita Bro Základy statistiky pro studující veteriárí medicíy a farmacie Doc. RNDr. Iveta Bedáňová, Ph.D. Prof. MVDr. Vladimír Večerek, CSc. Bro, 007 Obsah Úvod.... 5 1 Základí

Více

MĚŘENÍ PARAMETRŮ OSVĚTLOVACÍCH SOUSTAV VEŘEJNÉHO OSVĚTLENÍ NAPÁJENÝCH Z REGULÁTORU E15

MĚŘENÍ PARAMETRŮ OSVĚTLOVACÍCH SOUSTAV VEŘEJNÉHO OSVĚTLENÍ NAPÁJENÝCH Z REGULÁTORU E15 VŠB - T Ostrava, FE MĚŘENÍ PARAMETRŮ OVĚTLOVACÍCH OTAV VEŘEJNÉHO OVĚTLENÍ NAPÁJENÝCH Z REGLÁTOR E5 Řešitelé: g. taislav Mišák, Ph.D., Prof. g. Karel okaský, Cc. V Ostravě de.8.2007 g. taislav Mišák, Prof.

Více

8. cvičení 4ST201-řešení

8. cvičení 4ST201-řešení cvičící 8. cvičeí 4ST01-řešeí Obsah: Neparametricé testy Chí-vadrát test dobréshody Kotigečí tabuly Aalýza rozptylu (ANOVA) Vysoá šola eoomicá 1 VŠE urz 4ST01 Neparametricé testy Neparametricétesty využíváme,

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ 4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu

Více

Iterační metody řešení soustav lineárních rovnic

Iterační metody řešení soustav lineárních rovnic Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro

Více

Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE. Magdalena Zvejšková

Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE. Magdalena Zvejšková Uiverzita Karlova v Praze Matematicko-fyzikálí fakulta BAKALÁŘSKÁ PRÁCE Magdalea Zvejšková Statistická chyba při reprezetativích výběrech z populace Katedra pravděpodobosti a matematické statistiky Vedoucí

Více

Mocninné řady - sbírka příkladů

Mocninné řady - sbírka příkladů UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Mocié řady - sbírka příkladů Vedoucí bakalářské práce: Mgr. Iveta Bebčáková, Ph.D.

Více

DVOUVÝBĚROVÉ PODMÍNĚNÉ POŘADOVÉ TESTY VANALÝZEPŘEŽITÍ

DVOUVÝBĚROVÉ PODMÍNĚNÉ POŘADOVÉ TESTY VANALÝZEPŘEŽITÍ ROBUST 2000, 3 8 c JČMF 200 DVOUVÝBĚROVÉ ODMÍNĚNÉ OŘADOVÉ TESTY VANALÝZEŘEŽITÍ LENKA KOBLÍŽKOVÁ Abstrakt The preset paper deals with coditioal rak tests i survival aalysis for two sample problem with radomly

Více