Kontrola kvality dat Homogenizace časových. řad. Petr Štěpánek. Český hydrometeorologický ústav, p. Brno
|
|
- David Konečný
- před 9 lety
- Počet zobrazení:
Transkript
1 Kontrola kvality dat Homogenizace časových řad Petr Štěpánek Český hydrometeorologický ústav, p. Brno
2 Klimatologické studie naměření a sběr dat
3 Klimatologické studie pořízení dat kontrola kvality dat a homogenizace
4 Klimatologické studie pořízení dat homogenizace analýza dat
5 Zpracování dat Měsíční, sezonní a roční průměry Kontrola kvality - vychýlené hodnoty Mezikvart. odchylka Porovnání se sousedy Navazání řad sousedních stanic Testování homogenity Alexanderssonův test Bivariační test t-test Mann-Whitney-Pettit pomocí korelací Referenční řady pomocí vzdáleností Několik iterací Vyhodnocení nehomogenit Pravděpodobnost Oprava dat Doplnění chybějících hodnot
6 Kontrola kvality dat Nalezení vychýlených hodnot
7 Kontrola kvality dat Nalezení vychýlených hodnot 1. Limitní hodnoty získané z mezikvartilové odchylky řada poměrů (logaritmů) mezi testovanou a referenční řadou referenčnířada vytvořená jako průměr 5 nejvíce korelovaných stanic, max. vzdálenost 35 km hranice: koeficient (násobek) = Porovnání hodnot s hodnotami sousedních stanic porovnání s nejbližšími stanicemi řady standardizovaných poměrů (logaritmy poměrů) počet případů překračujících 95% meze spolehlivosti výpočet očekávané hodnoty ze standardizovaných řad
8 Příklad: Porovnání hodnot s hodnotami sousedních stanic ID YEAR MONTHST_BASE REMARK ST_1 ST_2 ST_3 ST_4 ST_5 Rat1_STND Rat2_STND Rat3_STND Rat4_STND Rat5_STND CDF_MAX No_sign. B1BLAT Altitudes,limits B1HLUK01 st_1, distance:6.8 B1VELV01 st_2, distance: 8.9 B1STRZ01 st_3, distance: 10.4 B1BZEN01 st_4, distance: 12.2 B1RADE01 st_5, distance: 13.3 B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT B1BLAT
9 Navázan zaní měření sousedních stanic
10 Navázan zaní měření sousedních stanic (p (příklad) Výběr sousedů do 5 km Mezera mezi dvěma řadami: maximálně 4 roky Výsledná řada: dlouhá minimálně 30 roků Záznam do metadat, zohlednění při homogenizace
11 Homogenizace zacečasovýchřadad Quality control Homogenization Data Analysis
12 Homogenizace změna podmínek na stanici nehomogenity
13 Detekce nehomogenit Testy absolutní homogenity 3,0 2,0 Praha - Klementinum 1,0 0,0-1,0-2,0-3,0-4,
14 Detekce nehomogenit Testy absolutní homogenity Testy relativní homogenity 1,5 1,0 Diference Praha - Klementinum a průměrovaná řada okolí ČR 0,5 0,0-0,5-1,0-1,5-2,
15 Homogenizace postup (testováni relativní homogenity) Tvorba referenčních řad
16 Homogenizace Tvorba referenčních řad Testování homogenity
17 Homogenizace Tvorba referenčních řad Testování homogenity Posouzení nehomogenit v řadách - Metadata - fyzikálně zdůvodnitelné ( nezpochybnitelné ) nehomogenity
18 Homogenizace Tvorba referenčních řad Testování homogenity Posouzení homogenity řad - Metadata - fyzikálně zdůvodnitelné ( nezpochybnitelné ) nehomogenity Opravařad
19 Možné přístupy k homogenizaci nehomogenizovat vůbec použít statistické testy a věřit, že jejich výsledky jsou svaté?
20 Spolehlivost detekce nehomogenit
21 Inhomogeneities Detecting by SNHT (p=0.05, 950 series) generated series of random numbers (properties of air temperature series for year, summer and winter, CZ) introduced steps with various amount of change in level various position of the steps various lengths of the series
22 Schopnost detekce nehomogenit SNHT (p=0.05, 950 series) 120 Detekce / % případů > Chyba detekce /roky 0,1,2,3,4,5,6,7,8,9 1,0 Velikost změny v průměru /C Změna: - velikost nehomogenity - délka řad - poloha v řadě
23 Problémy při p i vyhodnocování nehomogenit většinou jsou metadata nekompletní jsme tedy závislí pouze na výsledcích statistických testů ale správná detekce nehomogenit pomocí testů je často problematická (splnění všech podmínek aplikace testů, problémy v řadách, )
24 Navržen enéřešení Statistické zpracování velkého množství výsledků testování pro každou testovanou řadu (ensemble) pravděpodobnost dané nehomogenity - poměr počtu detekovaných nehomogenit na počtu všech teoreticky možných detekcí (pro každý rok, skupinu roků, celé období)
25 Jak zvýšit spolehlivost testování homogenity (bez metadat ) měsíční, sezónní, roční průměry různé referenční řady různé testy homogenity 40-ti leté úseky několik kroků - iterací
26 Zpracování dat Měsíční, sezonní a roční průměry Kontrola kvality - vychýlené hodnoty Mezikvart. odchylka Porovnání se sousedy Navazání řad sousedních stanic Testování homogenity Alexanderssonův test Bivariační test t-test Mann-Whitney-Pettit pomocí korelací Referenční řady pomocí vzdáleností Několik iterací Vyhodnocení nehomogenit Pravděpodobnost Oprava dat Doplnění chybějících hodnot
27 Výhody statistického zpracování známe závažnost každé nehomogenity (pravděpodobnost) můžeme ohodnotit kvalitu měření dané stanice jako celku (součet všech nehomogenit)
28 Referenčnířady Quality control Homogenization Data Analysis
29 Referenčnířady Regionální průměr
30 Referenčnířady Regionální průměr Průměr stanic s nejvyššími korelacemi
31 Referenčnířady Regionální průměr Průměr stanic s nejvyššími korelacemi Průměr nejbližších stanic
32 Referenčnířady Regionální průměr Průměr stanic s nejvyššími korelacemi Průměr nejbližších stanic + možné nehomogenity jsou nejlépe potlačeny - ref. řada je nejméně korelovaná s test. řadou + vytvořená ref. řada se nejvíce podobá test. řadě -podobné nehomogenity s testovanou řadou (řady prvních diferencí) + zachována geografická blízkost - různé klimatické podmínky pros and cons
33 Referenčnířady se liší diference testované a jejích referenčních řad AVG correlations distance
34 Example: Proposed list of stations used for creating reference series ID_1 ID_2 BEGIN END LENGTH REMARK CORREL DISTANCE ALT_1 ALT_2 B1BLAT st. (l: B1HLUK y. comm.p B1VELV y. comm.p B1STRZ y. comm.p B1UHBR y. comm.p B1RADE y. comm.p Selection according to correlations B1BOJK st. (l: B1STRN y. comm.p B1STHR y. comm.p B1LUHA y. comm.p B1VIZO y. comm.p B1UHBR y. comm.p B1BRBY st. (l: B1BOJK y. comm.p O3ZDEC y. comm.p O3HUSL y. comm.p B1HLHO y. comm.p B1STHR y. comm.p B1BUCH st. (l: B1STME y. comm.p B2KYJO y. comm.p B2KORC y. comm.p B1BZEN y. comm.p B1NAPA y. comm.p
35 Testy homogenity Alexanderssonův test (SNHT) kumulativní odchylky diferencí testované a referenčnířady Alexandersson Standart Normal Homogeneity Test (Single shift test) Reference series: k q i = Y /{[ ρ X Y / X j ]/ ρ } i j= 1 k 2 j ji k j= 1 2 j q i = Yi { ρ j [ X ji X j + Y ]/ ρ j } j= 1 Null and alternative hypothesis: H 0 : z i N(0,1), i {1,..,n}. H 1 : z i N(µ 1,1), i {1,..,a}, z i N(µ 2,1), i {a+1,..,n}, for 1? a < n a µ 1? µ 2. z i = (q i - q )/s q, z i N(0,1) 2 j= 1 Test statistic: 2 2 T 0 = max {Ta } 1 a< n 1 = max { az1 + ( n a) z 2} 1 a< n 1 where z a 1 1 = z i, ( z 1? µ 1), z a í = 1 n 1 2 = ( a) z i n í = a+ 1 2, ( z 2? µ 2). k Quality control Homogenization Data Analysis
36 Testy homogenity Alexandersson SNHT Bivariate Test Bivariate Test Null and alternative hypothesis: H 0 : vectors {x i,y i } bivariate normal distributed N(µ x, µ y, σ 2 x, σ 2 y, ρ) H 1 : pro 0<i 0 <n a d? 0 - N(µ x, µ y, σ 2 x, σ 2 y, ρ) pro i? i 0 N(µ x, µ y+d, σ 2 x, σ 2 y, ρ) pro i > i 0. Test statistic: T 0 = max {T } i<n i i where: X i = 1 / i x j, Y i = 1 / i y j, X = X n, Y = Yn n j= 1 i j= S x = ( x j X ), S y = ( y j Y ), S xy = ( x j X )( y j Y ), j = 1 n j= 1 2 F i = S x ( X i X ) ni /( n i), i<n, S x ( Y Yi ) S xy( X X i ) n / ( n i) Fi, D i = [ ] 2 i 2 xy T i =[ i( n i) D F ]/( S S S ) i x y n j= 1
37 Testy homogenity Alexandersson SNHT Bivariate Test Vincent Technique Easterling and Peterson Test statistic: U = [(RSS 1 -RSS 2 )/3]/[RSS 2 /(n-4)]? F(3,n-4) t-test: differences of levels before and after a discontinuity dvoufázová lineární regrese
38 Testy homogenity Alexandersson SNHT Bivariate Test Vincent Technique 40-ti leté úseky řad (30-40 let na jednu nehomogenitu, Auer et al., 2001)
39 Posouzení nehomogenit (výstupy ze softwarů) Čáslav, 3. část, , n=40 Test Ref I II III IV V VI VII VIII IX X XI XII Win Spr Sum Aut Year A avg A 1930 A corr A A dist A B avg B 1922 B corr B B 1937 B dist B V corr V V 1937 V dist V 1918 Quality control Homogenization Data Analysis
40 Posouzení nehomogenit Begin End Length InHomogen eity Number % detected inhom % possible inhom End Missin g
41 Vyhodnocení nehomogenit Použití několika výstupů (sumace počtu detekcí v daném roce, použití metadat, grafy poměrů, ) ID ELEM YEAR_INHOM BEGINEND YEAR_COUNTY_POSSIBL YEAR_END MISSVALS X_BEGIN_DAX_END_DATEX_BEGIN X_END LATITUDE LONGITUDE ALTITUDE B_FULLNAME REMARKC_OBSERVER C_ID x B1BOJK01 x # # Bojkovice change B1BOJK01 x # # obs Vladimˇr B1BOJK01 Maz lek B1BYSH01 x ? B1BYSH01 x ? B1BYSH01 x ? B1HLHO01 x B1HOLE01 x B1KROM01 x x B1RADE01 x # # Radýjov change B1RADE01 x # # obs Josef B1RADE01 Pˇ a x B1RYCH01 x # # VyÜkov, changerychtß ov, B1RYCH01 x # # obs Marie B1RYCH01 Hor kov xx? B1STRZ01 x B1STRZ01 x B1UHBR01 x # # Uhersk change B1UHBR01 x # # obs Josef B1UHBR01 Kudela x B1UHBR01 x # # Uhersk change B1UHBR01 x # # obs Josef B1UHBR01 Kudela B1VELI01 x ? B1VELI01 x ? B1VKLO01 x x B1VYSK01 x # # VyÜkov, changedukelskß B1VYSK01 x # # obs Vojt B1VYSK B2BOSK01_rx B2BREC01 x B2BRUM01 x # # Brumov change -0.6 B2BRUM01 x # # obs Marta B2BRUM01 Paýˇzkov
42 Oprava nehomogenit z diferencí (poměrů) mezi opravovanou a referenčnířadou pomocí referenčnířady vypočtené jako průměr z nejlépe korelovaných stanic k dané stanici shlazení měsíčních hodnot oprav (1-2-1) (eliminace náhodných chyb) I II III IV V VI VII VIII IX X XI XII
43 Příklad: Oprava nehomogenit - vyhodnocení
44 Doplnění chybějících hodnot Před homogenicí: vliv na správnou detekci nehomogenit Po homogenizaci: přesnější - neovlivněné případnými posuny v řadách Závislost testované na referenčnířadě
45 Doplnění chybějících hodnot - pomocí lineární regrese - referenčnířada jako průměr nejlépe korelovaných stanic - výpočet očekávané hodnoty při porovnání se sousedy
46 Homogenizace časových řad v České republice
47 Homogenizace teplotních řad měsíční průměry teploty vzduchu téměř 200 stanic měřící v různém období v průběhu přístrojových měření testování změny v úrovní (průměru) Počet klimatických stanic v ČR od roku Jahrbücher der k. k. Zentral-Anstalt für Meteorologie und Erdmagnetismus Wien. Bericht der meteorologischen Commission des naturforschenden Vereines in Brünn Brünn Ročenka povětrnostních pozorování meteorologických stanic Praha
48 Prostorové rozložen ení stanic ČR Konec End of měření: measurement měření / roky Počet Prům. min. vzdálenost /km počet počet prům. min. vzdál.
49 Homogenizace - přehled Přehled počtu zpracovávaných řad při homogenizaci (ČR) Charakteristika Data původní opravená Počet stanic Počet 40-ti letých úseku řad Počet oprav 231 Počet testovaných řad celkem Počet významných nehomogenit (p=0.05) Podíl význ. nehomogenit na počtu řad 79,7% 38,4% Počet testovaných řad původní data Test Měsíce Sezóny Typy ref. 40-ti leté Počet řad a rok řad úseky řad pro test A B V Celkem 40716
50 Velké množstv ství nehomogenit po opravě? 40% nehomogenních řad po homogenizaci (80% před) Šumová složka řad: nehomogenity pro skok menší než 0.5 C jsou správně detekovány v méně než 50% případů Cases/ % Fault /year s > Amount of change /C
51 Počet významných nehomogenit detekovaných před p a po homogenizaci (p=0.05) Before After I II III IV V VI VII VIII IX X XI XII Before After 0 Win Spr Sum Aut Year
52 Velikost opravy homogenizovaných řad (absolutní hodnoty) - median C I II III IV V VI VII VIII IX X XI XII Korelační koeficienty mezi testovanými a referenčními řadami před a po homogenizaci (median) Before After I II III IV V VI VII VIII IX X XI XII
53 Nehomogenity v létěl versus v zimě Změna měřících podmínek na stanici (přemístění atd.) se projevuje především v létě v zimě: menší role aktivního povrchu, převládají cirkulační faktory, v létě: větší role aktivního povrchu, převládají radiační faktory
54 Přechod na automatická měření - konsekvence Zatím je příliš brzy na opravu řad - je k disposici málo hodnot (ale nehomogenity způsobené přechodem na AMS jsou již detekovatelné) Nemohou se připojit nová měření
55 Homogenizace srážkových řad měsíční sumy (+sezónní a roční sumy), sezónní a roční počty srážkových dnů (s denními úhrny srážek 0,1, 1,0, 5,0 a 20,0 mm) období stanic 566 řad s měřeními delšími více než 30 let (přerušení měření nesmělo být delsí než 4 roky) 23 řad vytvořené kombinací sousedních stanic 457 stanic má měření delší více než 40 let průměrná minimální vzdálenost: 7.5 km
56 Prostorové uspořádání použitých srážkom koměrných stanic ČR měřících ch v období
57 Počet použitých stanic (s minimáln lní délkou pozorování 30 let) a průměrn rná minimáln lní vzdálenost těchto t stanic v jednotlivých letech v období Počet stanic Počet stanic Minimální vzdálenost Vzdálenost / km 7.4 Průměrná minimální vzdálenost použitých stanic: 7.5 km
58 Tvorba referenčníchřad: Statistika pro výběry nejlépe korelovaných stanic (pro všechny testovanéřady) Correlation coefficient Boxplots: - Median - Upper and lower quartiles (for 589 testes series) Vzdálenosti: - coincidence with selection by means of distances - but still a little bit different all Order of selected stations Distances / km all Order of selected stations Altitude difference / m Rozdíl v nadm. výšce (absolutní hodnoty) Stations selection
59 Korelační koeficienty mezi testovanými a referenčními řadami (referenčnířada počítána podle korelací) Correlation coefficient Boxplots: - Median - Upper and lower quartiles (for 589 testes series) I II III IV V VI VII VIII IX X XI XII Month
60 Výsledky testování homogenity Počet detekovaných nehomogenit (stat. významných) 6000 Number of detections I II III IV V VI VII VIII IX X XI XII Month
61 Velikost opravy (poměry - standardizace na >1.0 ) (referenčnířada počítána podle korelací) Amount of change (standardized) I II III IV V VI VII VIII IX X XI XII Boxplots: - Median - Upper and lower quartiles (for 589 testes series) Vzrůst korelačních koeficientů Correlation increase I II III IV V VI VII VIII IX X XI XII
62 Nehomogenity v létěl versus v zimě Změna měřících podmínek na stanici (přemístění atd.) se projevuje především v zimě v zimě: větší chyby při měření (tuhé srážky vítr, )
63 Závěr, poznp oznámky kontrola kvality dat před samotnou homogenizací je velmi důležitá použití stanic z okolíčr (měřící především v záčátcích přístrojových pozorování) testování v několika iteracích několik iterací testování homogenity a opravy řad (3 iterace byly v tomto případě dostačující) problém homogenity referenčních řad je tímto vyřešen: jednak jsou možné nehomogenity eliminovány použitím průměrů několika sousedních stanic pokud toto není splněno: pří dalším kroku (iteraci) by sousedé měly být již homogenní doporučeno testovat jednotlivé klimatické termíny problémy spojené s automatizací měření v posledních letech
64 Závěr roční chod počtu statisticky významných detekcí nehomogenit a velikostí oprav nehomogenit ensembly: pomocí pravděpodobnosti dané nehomogenity (závažnosti) kvalitnější vyhodnocení, ohodnocení měření dané stanice jako celku (případně různých období měření)
65 Software použitý pro zpracování dat LoadData - aplikace pro staženi dat z centrální databáze (např. Oraclu) ProClimDB software pro zpracování celé databáze (nalezení vychýlených hodnot, navázání sousedních řad, tvorba referečníchřad, příprava dat pro testování homogenity, ) AnClim software pro testování homogenity
66 AnClim software AnClim software
67 ProClimDB software ProcData software
68
Analýza teplotních. řad. Petr Štěpánek. Czech Hydrometeorological Institute, regional office Brno
Analýza teplotních řad ČR Petr Štěpánek Czech Hydrometeorological Institute, regional office Brno Počty stanic s homogenními mi měřm ěřeními 1771-2000 Charakteristika Počet stanic po homogenizaci Průměrná
VíceHODNOCENÍ EXTREMITY VYBRANÝCH TEPLOTNÍCH CHARAKTERISTIK PRO ÚZEMÍ JIŽNÍ MORAVY V OBDOBÍ 1961-2003.
HODNOCENÍ EXTREMITY VYBRANÝCH TEPLOTNÍCH CHARAKTERISTIK PRO ÚZEMÍ JIŽNÍ MORAVY V OBDOBÍ -23. EXTREMES IN SELECTED AIR TEMPERATURE CHARAKTERISTICS FOR REGION OF SOUTHERN MORAVIA IN THE PERIOD -23 ŠTĚPÁNEK
VíceZpracování minutových úhrnů srážek ze stanice Brno-Tuřany v letech 1948-2000 Petr Štěpánek, Ph.D., Pavel Zahradníček, Mgr.
Zpracování minutových úhrnů srážek ze stanice Brno-Tuřany v letech 1948-2 Petr Štěpánek, Ph.D., Pavel Zahradníček, Mgr. petr.stepanek@chmi.cz, zahradnicek@chmi.cz ČHMU, p. Brno, Kroftova 43, 616 Vysoké
VíceYou 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
Více1. Úvod Historie meteorologických měření v Brně od roku Dosavadní poznatky o analýze teploty a tlaku vzduchu v Brně 14
OBSAH 1. Úvod 8 2. Historie meteorologických měření v Brně od roku 1848 9 3. Dosavadní poznatky o analýze teploty a tlaku vzduchu v Brně 14 4. Použité údaje 15 5. Metodika zpracování 16 5.1 Metodika homogenizace
VícePravděpodobnost 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
VícePasivní měření ozonu na plochách ICP Forests / Forest Focus v ČR
Pasivní měření ozonu na plochách ICP Forests / Forest Focus v ČR PĚT LET S OZIMETRY GRAKO Vít Šrámek, Radek Novotný METOIKA GRAKO Gradko Ltd. (UK) www.gradko.co.uk Expoziční doba: 2-4 týdny Princip měření:
VíceMeteorologická pozorování a. RNDr.M. Starostová
Meteorologická pozorování a klimatické změny RNDr.M. Starostová POČASÍ = okamžitý stav atmosféry KLIMA Meteorologická měření = průměrný (charakteristický) stav počasí daného místa Vývoj prům. teploty za
VíceStatistická 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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceVYHODNOCENÍ METEOROLOGICKÝCH PRVKŮ ZA ROK 2014
VYHODNOCENÍ METEOROLOGICKÝCH PRVKŮ ZA ROK 2014 Měření denní teploty a množství srážek na stanici Ústředního kontrolního a zkušebního ústavu zemědělského (ÚKZÚZ) se datuje už od roku 1945. Postupně přibývají
VíceČeský hydrometeorologický ústav, oddělení biometeorologických aplikací, Na Šabatce 17, Praha 4 - Komořany,
VYHODNOCENÍ VYBRANÝCH TEPLOTNÍCH CHARAKTERISTIK VE VEGETAČNÍM OBDOBÍ NA ÚZEMÍ ČR V OBDOBÍ 1961 2010 Lenka Hájková 1) Věra Kožnarová 2) 1) Český hydrometeorologický ústav, oddělení biometeorologických aplikací,
VíceAnalytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality RNDr. Alena Mikušková FN Brno Pracoviště dětské medicíny, OKB amikuskova@fnbrno.cz Analytické znaky laboratorní metody
VíceInfluence of the Šance water reservoir on the Ostravice River Vliv údolní nádrže Šance na řeku Ostravici
Influence of the Šance water reservoir on the Ostravice River Vliv údolní nádrže Šance na řeku Ostravici Jana BOHDÁLKOVÁ a, Radim KONUPČÍK a, Jiřina VONTOROVÁ b a Ostravská univerzita v Ostravě, jana.bohdalkova@osu.cz,
VíceMĚŘENÍ VÝPARU V ÚSTÍ NAD ORLICÍ V LETECH
MĚŘENÍ VÝPARU V ÚSTÍ NAD ORLICÍ V LETECH 1971-2000 Karel Plíšek Popis stanice a způsobu měření: Měření výparu bylo prováděno z volné vodní hladiny výparoměrem GGI-3000 (hladina o ploše 3000 cm 2 ) na profesionální
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
VíceMotivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky
A0M38SPP - Signálové procesory v praxi - přednáška 7 2 Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky (momenty) Matematická definice korelační
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
VíceFakulta chemicko-technologická Katedra analytické chemie. 3.2 Metody s latentními proměnnými a klasifikační metody
Fakulta chemicko-technologická Katedra analytické chemie 3.2 Metody s latentními proměnnými a klasifikační metody Vypracoval: Ing. Tomáš Nekola Studium: licenční Datum: 21. 1. 2008 Otázka 1. Vypočtěte
VíceTendence vývoje vegetace v závislosti na a klimatických podmínkách v přírodní lesní oblasti Bílé Karpaty a Vizovické vrchy
Tendence vývoje vegetace v závislosti na a klimatických podmínkách v přírodní lesní oblasti Bílé Karpaty a Vizovické vrchy BAGAR Rudolf, Brno - NEKOVÁŘ Jiří, ČHMÚ Praha 1.Úvod V České republice v současnosti
VíceHledání optimální polohy stanic a zastávek na tratích regionálního významu
Hledání optimální polohy stanic a zastávek na tratích regionálního významu Václav Novotný 31. 10. 2018 Anotace 1. Dopravní obsluha území tratěmi regionálního významu 2. Cíle výzkumu a algoritmus práce
VíceHydrologické sucho v podzemních a povrchových vodách
Hydrologické sucho v podzemních a povrchových vodách Setkání vodoprávních úřadů s odborem ochrany vod MŽP Ing. Eva Soukalová, CSc. Nové Město na Moravě 2. 3. dubna 25 Obsah přednášky Pozorovací síť podzemních
VíceKLIMATICKÝ DOWNSCALING. ZOO76 Meteorologie a klimatologie Petr Kolář PřF MU Brno
ZOO76 Meteorologie a klimatologie Petr Kolář PřF MU Brno 12.12.2012 Definice: klimatický downscaling zahrnuje soubor technik, které využívají předpovědí globálních klimatických modelů (AOGCMs) k získávání
VíceProstorová variabilita
Prostorová variabilita prostorová závislost (autokorelace) reprezentuje korelaci mezi hodnotami určité náhodné proměnné v místě i a hodnotami téže proměnné v jiném místě j; prostorová heterogenita je strukturální
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
VícePERIODICITA A PŘEDPOVĚDI VÝSKYTU SUCHA V PODZEMNÍCH VODÁCH. Ing. Eva Soukalová, CSc. Ing. Radomír Muzikář, CSc.
PERIODICITA A PŘEDPOVĚDI VÝSKYTU SUCHA V PODZEMNÍCH VODÁCH Ing. Eva Soukalová, CSc. Ing. Radomír Muzikář, CSc. Srpen -Květen Doba opakování Klimatická změna a PZV Danube River Basin Climate Change Adaption
VíceSROVNÁNÍ VÝVOJE TEPLOT DVOU KLIMATICKÝCH REGIONŮ S VÝHLEDEM DO BUDOUCNA
SROVNÁNÍ VÝVOJE TEPLOT DVOU KLIMATICKÝCH REGIONŮ S VÝHLEDEM DO BUDOUCNA Comparison of temperature changes of two climatic regions with a view to the future Vlček V. 1,2, Středová H. 1, Mužíková B. 1 1
VíceCharakterizují kvantitativně vlastnosti předmětů a jevů.
Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost
VíceODBORNÁ ZPRÁVA Pro potřeby PLL a. s. Jeseník VÝSLEDKY MĚŘENÍ ZNEČIŠTĚNÍ OVZDUŠÍ NA AUTOMATIZOVANÉ MONITOROVACÍ STANICI JESENÍK-LÁZNĚ V ROCE 2016
ODBORNÁ ZPRÁVA Pro potřeby PLL a. s. Jeseník NA AUTOMATIZOVANÉ MONITOROVACÍ STANICI JESENÍK-LÁZNĚ V ROCE 2016 Datum: březen 2017 Pracoviště: Český hydrometeorologický ústav, pobočka Ostrava K Myslivně
VíceRožnovský, J., Litschmann, T., Středa, T., Středová, H., (eds): Extrémy oběhu vody v krajině. Mikulov, 8. 9.4. 2014, ISBN 978-80-87577-30-1
Charakteristika přívalových srážek ve vybraných lokalitách na jižní Moravě v období 2003-2013 The characteristic of downpours in selected locations within South Moravia Region in the period 2003-2013 Gražyna
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceVliv návštěvníků na mikroklima Kateřinské jeskyně. Influence of Visitors on Kateřinská Cave Microclimate
Vliv návštěvníků na mikroklima Kateřinské jeskyně Influence of Visitors on Kateřinská Cave Microclimate Český hydrometeorologický ústav, pobočka Brno Mendelova univerzita H. Středová, T. Středa, J. Rožnovský
VíceNejistota měř. ěření, návaznost a kontrola kvality. Miroslav Janošík
Nejistota měř ěření, návaznost a kontrola kvality Miroslav Janošík Obsah Referenční materiály Návaznost referenčních materiálů Nejistota Kontrola kvality Westgardova pravidla Unity Referenční materiál
VícePSY117/454 Statistická analýza dat v psychologii. Zobrazení dvojrozměrných dat Bodový graf - Scatterplot Korelační koeficient
PSY117/454 Statistická analýza dat v psychologii Zobrazení dvojrozměrných dat Bodový graf - Scatterplot Korelační koeficient Analýza vztahů mezi dvěma proměnnými Souvisí nějak? Výška a váha Známky u jednotlivých
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceProjevy klimatické změny v západních Čechách (podle sekulární stanice Klatovy v období )
Projevy klimatické změny v západních Čechách (podle sekulární stanice Klatovy v období 1916 2015) RNDr. Jiří Hostýnek Ing. Karel Sklenář Vybrané klimatologické prvky, způsoby zpracování a použité metody
VíceHydrologické sucho v podzemních a povrchových vodách
Hydrologické sucho v podzemních a povrchových vodách Konference Podzemní vody ve vodárenské praxi Ing. Eva Soukalová, CSc. Dolní Morava. 2. dubna 25 Obsah přednášky Pozorovací síť podzemních vod Aktuální
VíceObsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
VíceStanovení hloubky karbonatace v čase t
1. Zadání Optimalizace bezpečnosti a životnosti existujících mostů Stanovení hloubky karbonatace v čase t Předložený výpočetní produkt je aplikací teoretických postupů popsané v navrhované certifikované
VícePravděpodobnost předpovědí teploty vzduchu
Pravděpodobnost předpovědí teploty vzduchu Jaroslav Rožnovský, Jana Smolíková Český hydrometeorologický ústav, Kroftova 43, 616 76 Brno, Czech Republic, e-mail:roznovsky@chmi.cz Abstract The probability
VíceStatistika. 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
VícePrůběh průměrných ročních teplot vzduchu (ºC) v období na stanici Praha- Klementinum
Změna klimatu v ČR Trend změn na území ČR probíhá v kontextu se změnami klimatu v Evropě. Dvě hlavní klimatologické charakteristiky, které probíhajícím změnám klimatického systému Země nejvýrazněji podléhají
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceII. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal
Základy navrhování průmyslových experimentů DOE II. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal! Testování statistických hypotéz kvalitativní odezva kvantitativní chí-kvadrát test homogenity,
VíceNávrh postupu pro stanovení četnosti překročení 24hodinového imisního limitu pro suspendované částice PM 10
Návrh postupu pro stanovení četnosti překročení 24hodinového imisního limitu pro suspendované částice PM 1 Tento návrh byl vypracován v rámci projektu Technologické agentury ČR č. TA23664 Souhrnná metodika
VíceČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA
ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA 2 0 1 3 ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ
VíceIDENTIFIKACE BIMODALITY V DATECH
IDETIFIKACE BIMODALITY V DATECH Jiří Militky Technická universita v Liberci e- mail: jiri.miliky@vslib.cz Milan Meloun Universita Pardubice, Pardubice Motto: Je normální předpokládat normální data? Zvláštnosti
VíceVLIV METEOROLOGICKÝCH PODMÍNEK NA KONCENTRACE PM 2,5 V BRNĚ ( ) Dr. Gražyna Knozová, Mgr. Robert Skeřil, Ph.D.
VLIV METEOROLOGICKÝCH PODMÍNEK NA KONCENTRACE PM 2,5 V BRNĚ (2004-2014) Dr. Gražyna Knozová, Mgr. Robert Skeřil, Ph.D. Podklady denní koncentrace PM 2,5, Brno-Tuřany 2004-2014, dodatečně data z pěti stanic
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceVYBRANÉ DVOUVÝBĚROVÉ TESTY. Martina Litschmannová
VYBRANÉ DVOUVÝBĚROVÉ TESTY Martina Litschmannová Obsah přednášky Vybrané dvouvýběrové testy par. hypotéz test o shodě rozptylů (F-test), testy o shodě středních hodnot (t-test, Aspinové-Welchův test),
VícePřenos signálů, výstupy snímačů
Přenos signálů, výstupy snímačů Topologie zařízení, typy průmyslových sběrnic, výstupní signály snímačů Přenosy signálů informací Topologie Dle rozmístění ŘS Distribuované řízení Většinou velká zařízení
VíceVYHODNOCENÍ SRÁŽKOVÝCH PŘEDPOVĚDÍ ALADIN A GFS PRO POVODÍ BĚLÉ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA Hornicko-geologická fakulta Institut geoinformatiky VYHODNOCENÍ SRÁŽKOVÝCH PŘEDPOVĚDÍ ALADIN A GFS PRO POVODÍ BĚLÉ Referát Autor: Vedoucí diplomové práce:
VíceIntervalové Odhady Parametrů
Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze
VíceSPC v případě autokorelovaných dat. Jiří Michálek, Jan Král OSSM,
SPC v případě autokorelovaných dat Jiří Michálek, Jan Král OSSM, 2.6.202 Pojem korelace Statistická vazba mezi veličinami Korelace vs. stochastická nezávislost Koeficient korelace = míra lineární vazby
VícePSY117/454 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(motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination.
Neparametricke testy (motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination. Andrew Lang) 1. Příklad V následující tabulce jsou
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
VíceChyby spektrometrických metod
Chyby spektrometrických metod Náhodné Soustavné Hrubé Správnost výsledku Přesnost výsledku Reprodukovatelnost Opakovatelnost Charakteristiky stanovení 1. Citlivost metody - směrnice kalibrační křivky 2.
VícePříklady na testy hypotéz o parametrech normálního rozdělení
Příklady na testy hypotéz o parametrech normálního rozdělení. O životnosti 75W žárovky (v hodinách) je známo, že má normální rozdělení s = 5h. Pro náhodný výběr 0 žárovek byla stanovena průměrná životnost
VíceČíselné charakteristiky
. Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch
VíceVliv horka na úmrtnost v ČR. Aleš Urban, Jan Kyselý et al. ÚFA AV ČR PřF UK
Vliv horka na úmrtnost v ČR Aleš Urban, Jan Kyselý et al. ÚFA AV ČR PřF UK Motivace Období extrémních teplot vzduchu jsou v našich zeměpisných šířkách nejrizikovějším atmosférickým jevem majícím přímý
VíceExperimentáln. lní toků ve VK EMO. XXX. Dny radiační ochrany Liptovský Ján 10.11.-14.11.2008 Petr Okruhlica, Miroslav Mrtvý, Zdenek Kopecký. www.vf.
Experimentáln lní měření průtok toků ve VK EMO XXX. Dny radiační ochrany Liptovský Ján 10.11.-14.11.2008 Petr Okruhlica, Miroslav Mrtvý, Zdenek Kopecký Systém měření průtoku EMO Měření ve ventilačním komíně
VíceStatistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
VíceNárodní informační středisko pro podporu jakosti
Národní informační středisko pro podporu jakosti 1 METODA KUMULOVANÝCH SOUČTŮ C U S U M metoda: tabulkový (lineární) CUSUM RNDr. Jiří Michálek, CSc., Ing. Antonie Poskočilová 2 Základem SPC jsou Shewhartovy
VíceZPRACOVÁNÍ DAT DÁLKOVÉHO PRŮZKUMU
A - zdroj záření B - záření v atmosféře C - interakce s objektem D - změření záření přístrojem E - přenos, příjem dat F - zpracování dat G - využití informace v aplikaci Typ informace získávaný DPZ - vnitřní
VícePSY117/454 Statistická analýza dat v psychologii Přednáška 5 ZOBRAZENÍ DVOUROZMĚRNÝCH DAT KORELAČNÍ KOEFICIENT. Všichni žijeme v matrixu.
PSY117/454 Statistická analýza dat v psychologii Přednáška 5 ZOBRAZENÍ DVOUROZMĚRNÝCH DAT KORELAČNÍ KOEFICIENT Všichni žijeme v matrixu. V minulých dílech jsme viděli/y: Frekvence = četnosti Procenta =
VíceStanovení a změna tuhosti jednotlivých zim za období Determination and Changes in Winter Severity in the Period between 1961 and 2015
Rožnovský, J., Litschmann, T. (eds): Mrazy a jejich dopady Hrubá Voda 26. 27. 4. 2017, ISBN 978-80-87577-69-1 Stanovení a změna tuhosti jednotlivých zim za období 1961-2015 Determination and Changes in
VíceVyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)
Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
Vícevzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
VíceSAMOSTATNÁ 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
Více31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě
31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceSeminář 6 statistické testy
Seminář 6 statistické testy Část I. Volba správného testu Chceme zjistit, zda se Ježkovy a Širůčkovy seminární skupiny liší ve výsledcích v. průběžné písemce ze statistiky. Chceme zjistit, zda 1. průběžná
VíceAplikovaná statistika v R - cvičení 3
Aplikovaná statistika v R - cvičení 3 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.8.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.8.2014 1 / 10 Lineární
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
Vícepřesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceHodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií
Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická
VíceDLOUHODOBÉ ZMĚNY SKUPENSTVÍ SRÁŽEK V ČESKÉ REPUBLICE
DLOUHODOBÉ ZMĚNY SKUPENSTVÍ SRÁŽEK V ČESKÉ REPUBLICE Martin HYNČICA 1,2 a Radan HUTH 1,3 Výroční seminář ČMES, Ostrožská Nová Ves, 21.9. 23.9. 2016 1 Katedra fyzické geografie a geoekologie PřF, UK 2 Český
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba lineárních regresních modelů 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha 1 Porovnání regresních přímek u jednoduchého lineárního regresního modelu Porovnání
VíceMATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ
MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
Víceletní semestr 2012 Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 Opakování t- vs. neparametrické Wilcoxonův jednovýběrový test Opakování
VíceHYDROLOGICKÁ ROČENKA
ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ POVODÍ JIZERSKÉ HORY HYDROLOGICKÁ ROČENKA 2 0 10 JABLONEC NAD NISOU, ČERVENEC 2011 1 ČESKÝ HYDROMETEOROLOGICKÝ ÚSTAV ÚSEK HYDROLOGIE EXPERIMENTÁLNÍ
VíceRegrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA
Regrese používáme tehd, jestliže je vsvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA Specifikace modelu = a + bx a závisle proměnná b x vsvětlující proměnná Cíl analýz Odhadnout hodnot
VíceOBDOBÍ SUCHA. Období nedostatku atmosférických srážek, které ovlivňuje vývoj vegetace, živočichů a komunální zásobování vodou.
Minimální průtoky OBDOBÍ SUCHA Období nedostatku atmosférických srážek, které ovlivňuje vývoj vegetace, živočichů a komunální zásobování vodou. Období, kdy srážkový úhrn poklesne pod klimaticky očekávané
VícePodklady pro hodnocení projektů KLIMATOLOGICKÉ ÚDAJE. Vydala: Česká energetická agentura Vinohradská 8, Praha 2. Vypracoval: STÚ-E a.s.
Podklady pro hodnocení projektů KLIMATOLOGICKÉ ÚDAJE Vydala: Česká energetická agentura Vinohradská 8, 12 Praha 2 Vypracoval: STÚ-E a.s. Tato publikace je určena pro poradenskou činnost a byla zpracována
VícePlánování experimentu
SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš 1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceO MOŽNOSTI ADJUSTACE IMISNÍCH KONCENTRACÍ NA METEOROLOGICKÉ PODMÍNKY. RNDr. Josef Keder, CSc.
O MOŽNOSTI ADJUSTACE IMISNÍCH KONCENTRACÍ NA METEOROLOGICKÉ PODMÍNKY RNDr. Josef Keder, CSc. Zadání úlohy V souladu s požadavkem zadavatele (MŽP) bude zpracována metodika, umožňující oprostit průměrné
Více