3.4 Určení vnitřní struktury analýzou vícerozměrných dat
|
|
- Nela Moravcová
- před 6 lety
- Počet zobrazení:
Transkript
1 3. Určení vnitřní struktury analýzou vícerozměrných dat. Metoda hlavních komponent PCA Zadání: Byly provedeny analýzy chladící vody pro odběrové místa. Byly stanoveny parametry - ph, vodivost, celková alkalita, chloridy, vápník, zinek, fosforečnany a železo. Zjistěte jestli půjde rozlišit odběrová místa. Data : Tabulka č. ph vodivost cel.alk. Cl Ca Zn PO Fe μs mmol/l mg/l mg/l mg/l mg/l mg/l odběrové místo 8, , ,8 0,65 0,92 0,02 odběrové místo 8, , ,9 0,5,25 0,62 odběrové místo 8, , ,7 0,67,26 0,92 odběrové místo 8, ,0 70 3, 0,696,53 0,25 odběrové místo 8, , ,,008,72 0,288 odběrové místo 8, , ,2 0,35,72 0,87 odběrové místo 8, , , 0,838,5 0,2 odběrové místo 8, ,5 5 38,8 0,729,69 0,088 odběrové místo 8, , ,9,09,77 0,9 odběrové místo 8, , ,0,096,79 0,60 odběrové místo 8, , ,6 0,363,0 0,5 odběrové místo 2 8, ,5 6 59,6 0,062,23 0,020 odběrové místo 2 8, , ,6 0,083 0,96 0,0 odběrové místo 2 8,7 35 5, ,6 0,067 0,9 0,02 odběrové místo 2 8,76 0 5,85 6 7,5 0,027 0,67 0,029 odběrové místo 2 8,7 0 5, ,3 0,028 0,86 0,03 odběrové místo 2 8, ,5 9 6,3 0,09 0,99 0,09 odběrové místo 2 8, , , 0,080 0,86 0,0 odběrové místo 3 8, , ,3 0,060 0,6 0,08 odběrové místo 3 8,8 77 5, ,7 0,076 0,68 0,030 odběrové místo 3 8, , ,0 0,073 0,5 0,05 odběrové místo 3 8, , ,9 0,060 0,8 0,023 odběrové místo 3 8, , ,8 0,06 0,8 0,020 odběrové místo 3 8, , ,0 0,068 0,52 0,0 odběrové místo 3 8, , , 0,083 0,6 0,050 odběrové místo 8, , ,8 0,36,9 0,09 odběrové místo 8, ,0 0 6,2 0,372,5 0,65 odběrové místo 8,65 7 5, ,9 0,656,75 0,39 odběrové místo 8,76 9 5,90 9 6,8 0,732,8 0,32 odběrové místo 8, , ,5 0,300,27 0,065 odběrové místo 8, , ,3 0,25,3 0,066 odběrové místo 8, , ,8 0,6,33 0,030 odběrové místo 8, , ,0 0,70, 0,03 odběrové místo 8,8 0 6, ,2 0,37,25 0,036 odběrové místo 8, , ,8 0,39, 0,065 odběrové místo 8, , ,3 0,209, 0,030
2 Program: Statistica Předzpracování dat Data se standardizují, což znamená, že se od základních údajů odečte aritmetický průměr a podělí se směrodatnou odchylkou. Tabulka č.2 Průměry a směrodatné odchylky pro dané parametry ph vodivost cel.alk. Cl Ca Zn PO Fe μs mmol/l mg/l mg/l mg/l mg/l mg/l průměr 8, , 5, ,25 58,38 0,302,33 0,086 smodch 0, ,75 0,28,55,50 0,378 0,0 0,0700 Tabulka č.3 - Standardizované výsledky ph vodivost cel.alk. Cl Ca Zn PO Fe μs mmol/l mg/l mg/l mg/l mg/l mg/l odběrové místo -0,62 0,55 2,978-0,3608 0,906 0,3928-0,5522 0,2270 odběrové místo 0,0000-2,008 -,923 -,5292 -,7809 0,570 0,2638,0835 odběrové místo -,80 -,390-0,3205-0,89-0,6678 0,87 0,2885,58 odběrové místo -,3665-0,9236 -,652-0,6357 -,3026,97 0,956,80 odběrové místo 0,22-0,5762-0,096 0,890-0,2852 2,06,260 2,8822 odběrové místo 0,3727 -,03-0,595-0,296-0,73-0,657,260,0 odběrové místo -0,28 -,067-0,3205-0,292 -,287,5666 0,9809 0,7980 odběrové místo -0,969-2,2893 -,2363 -,735 -,7026,2236,358 0,027 odběrové místo -0,22-0,503 0,3663 0,890-0,737 2,2306,596 0,8979 odběrové místo 0,753 0,0707,053 0,670-0,2070 2,3786,599,0550 odběrové místo 0,3727 -,270 0,3663 0,5326 -,3 0,078-0,2555 0,808 odběrové místo 2 -,9876 0,0587-2,6099 -,08 0,06-0,8755 0,23-0,936 odběrové místo 2-0,62 0,86-0,595 -,68,0626-0,809-0,533-0,600 odběrové místo 2-0,3727 0,6098 0,37-0,7732,852-0,8597-0,5770-0,9293 odběrové místo 2-0,22 0,303 0,5952 -,08,07-0,9856 -,70-0,85 odběrové místo 2-0,3727 0,238-0,3205 -,68,0365-0,9825-0,7006 -,035 odběrové místo 2 -,69-0,503 -,2363-2,0790 0,58-0,96-0,379-0,9579 odběrové místo 2-0,28,005 -,2363-0,7732 2,96-0,888-0,7006 0,227 odběrové místo 3 0,753,2567 0,5952,299 0,8626-0,888 -,335-0,9722 odběrové místo 3 0,969,29 0,5952,52 0,80-0,83 -,57-0,8009 odběrové místo 3,863,723 0,37,98 0,9235-0,809 -,566 -,050 odběrové místo 3,69,79-0,096 2,07,2626-0,888 -,603-0,9008 odběrové místo 3 2,7329,52 0,5952,299 0,7322-0,8692 -,603-0,936 odběrové místo 3,3665,88 0,3663 0,890 0,07-0,8566 -,53 -,072 odběrové místo 3,80 0,825-0,3205 0,7388 0,2626-0,809 -,388-0,553 odběrové místo 0,28 0,50 0,822 0,5326-0,050 0,083 0,5 0,28 odběrové místo -,3665,3525,7399,700 0,506 0,00 0,9067,263 odběrové místo -,907 0,7535-0,3205,52-0,737 0,9939,5002 0,7552 odběrové místo -0,22 0,8 0,822,037 0,5583,2330 0,8325 0,6552 odběrové místo -0,28-0,799-0,3205-0,292 -,0330-0,265 0,332-0,302 odběrové místo -0,969-0,680-0,595 0,055 -,33-0,2996-0,0330-0,2869 odběrové místo -0,8696-0,9955-0,096-0,292 -,0070-0,5639 0,66-0,8009 odběrové místo -0,22 0,785,7399 0,890 0,09-0,5356-0,0082-0,738 odběrové místo 0,969 0,238,282 0,670-0,896-0,0730 0,2638-0,752 odběrové místo -0,3727-0,3007-0,096 0,890-0,5722 0,0277 0,659-0,302 odběrové místo 0,9938-0,7320 0,5952-0,7732-0,9635-0,29-0,082-0,8009 2
3 Charakter vícerozměrných dat Graf č. Vybrané diagnostiky průzkumové analýzy dat Voda v pořadí (shora) histogram, QQ, diagramy rozptýlení a odhad hustoty pro znaky ph, vodivost, celková alkalita a chloridy (QCExpert) Klasické parametry : Název sloupce : ph vodivost Celk.alkalita Cl Průměr : -0, , , ,56E-06 Spodní mez : -0,3739-0, , , Horní mez : 0, , , ,33288 Rozptyl :,029076, , , Směr. odchylka :,05938,08303,026,03536 Šikmost 0,7639-0, , ,05867 Odchylka od 0 : Nevýznamná Nevýznamná Nevýznamná Nevýznamná Špičatost : 3, , , , Odchylka od 3 : Nevýznamná Nevýznamná Nevýznamná Nevýznamná Polosuma 0, ,2887-0, ,075 Modus : -0, , , , Homogenita : Přijata Přijata Přijata Přijata Normalita : Přijata Přijata Přijata Přijata 3
4 Graf č. 2 Vybrané diagnostiky průzkumové analýzy dat Voda v pořadí (shora) histogram, QQ, diagramy rozptýlení a odhad hustoty pro znaky Ca, Zn, PO a Fe ( QCExpert) Tabulka č. Klasické parametry : Název sloupce : Ca Zn PO Fe Průměr : -0, ,56E-06,67E-05 0, Spodní mez : -0, ,3395-0, , Horní mez : 0, , , , Rozptyl :,029369,028592, , Směr. odchylka :,05776,096,0977,080 Šikmost 0, , , , Odchylka od 0 : Nevýznamná Významná Nevýznamná Významná Špičatost : 2, ,73029, , Odchylka od 3 : Nevýznamná Nevýznamná Nevýznamná Nevýznamná Polosuma 0,835 0,6965-0,0206 0,90505 Modus : 0, , , , Homogenita : Přijata Přijata Přijata Přijata Normalita : Přijata Přijata Přijata Přijata
5 Analýza hlavních komponent - PCA Metoda snižuje počet původních proměnných tím, že vytvoří lineární kombinaci zdrojových proměnných, které vysvětlují největší část jejich variability. První hlavní komponenta je taková kombinace vstupujících proměnných, která má největší rozptyl mezi všemi lineárními kombinacemi. Podobně následuje druhá hlavní komponenta. Pro dostatečné vysvětlení chování zdrojových proměnných požadujeme % vysvětlené variability. Vstupní data byla při výpočtu standardizována ( nemají stejný rozměr).. Vyšetření indexového grafu úpatí vlastních čísel z hrany úpatí v tomto diagramu se určí vhodný počet hlavních komponent Graf.č 3 Cattelův indexový graf úpatí vlastních čísel,5 Vlastní čísla korelační matice Pouze aktiv. proměnné,0 9,06% Vlast. číslo 3,5 3,0 2,5 2,0,5 23,58%,0 0,5 0,0 0,5% 6,96% 5,23% 2,68%,56%,7% -0, Pořadí v l. čísla Je patrné že zlom není moc zřetelný. První hlavní komponenta popisuje 9,06% celkového rozptylu, druhá hlavní komponenta popisuje 23,58% celkového rozptylu a třetí hlavní komponenta 0,5%. První a druhá komponenta popisují celkem 72,6. První tři popisují celkem 83,09. Pro dostatečné vysvětlení chování zdrojových proměnných požadujeme % vysvětlené variability. Plot Component Weights Graf komponentních vah Zobrazuje komponentní váhy vstupujících proměnných pro 2 hl. komponenty Největším přínosem pro danou komponentu mají proměnné, které se na grafu nachází co nejblíže u souřadnice dané komponenty a na číselné ose co nejdále od nuly Graf č. Graf komponentních vah ph() a vodivost (2) Tady vodivost, vápník a ph,chloridy a celková alkalita. Záporné hodnoty fosforečnany, železo a zinek. 5
6 Projekce proměnných do f aktorov é rov iny ( x 2),0 0,5 Faktor 2 : 23,58% 0,0-0,5 PO Fe Zn celk.alkal. Cl ph Ca v odiv ost -,0 -,0-0,5 0,0 0,5,0 Faktor : 9,06% Aktiv. Graf č.5 Graf komponentních vah vodivost a ph Projekce proměnných do f aktorov é rov iny ( 2 x ),0 v odiv ost Ca 0,5 Cl celk.alkal. ph Faktor : 9,06% 0,0-0,5 ZnFe PO -,0 -,0-0,5 0,0 0,5,0 Faktor 2 : 23,58% Aktiv. 6
7 5 3 Projekce případů do f aktorov é rov iny ( x 2) Případy se součtem cos()^2 >= 0, Faktor 2: 23,58% Faktor : 9,06% Aktiv. Závěr : PCA se jeví užitečnou pomůckou pro rozlišení odběrových míst. Odběrové místa 2 a 3 jsou dobře rozlišeny. U odběrových míst a bude problém protože se částečně překrývají. V případě předpokladu normálního rozdělení vstupních dat by měly být body rozmístěny v jakémsi pomyslném kruhu mušinec.rozmístění neodpovídá normálnímu rozdělení, protože data nejsou ze stejných zdrojů vody. Tabulka č 5. Korelace faktorů a proměnných (fakt.zátěže) podle korelací ph vodivost celk.alkal. Cl Ca Zn PO Fe ph 0,5866-0,3638 0,662-0,5 0,2673 0,08 0,203-0,0068 vodivost 0,8633-0,269-0,303-0,2259-0,02 0,092 0,050-0,38 celk.alkal. 0,390-0,6798-0,273 0,590 0,0968-0,0900-0,0005-0,097 Cl 0,756-0,7683 0,0532-0,2006-0,356-0,0620-0,035 0,099 Ca 0,785 0,0835-0,5005-0,27 0,308 0,0660 0,058 0,0952 Zn -0,730-0,5655-0,059-0,0597 0,680 0,2682-0,872 0,0033 PO -0,8738-0,298-0,832 0,096-0,35 0,527 0,266 0,0075 Fe -0,735-0,622-0,2-0,299 0,2382-0,2965 0,0250-0,0295 Dobrá korelace ph a vodivost 0,8633; ph a vápník 0,785. Korelace ph zinek, fosforečnany a železo je záporná. Korelace je u celkové alkality a chloridů. Jinak korelace nízká a záporná. Tabulka č 6 - Korelace Korelace ph vodivost celk.alkal. Cl Ca Zn PO Fe ph,0000 0,62 0,367 0,507 0,26-0,2073-0,5202-0,2758 vodivost 0,62,0000 0,3 0,669 0,79-0,8-0,5986-0,55 celk.alkal. 0,367 0,3,0000 0,5538 0,2720 0,0588-0,6-0,078 Cl 0,507 0,669 0,5538,0000 0,970 0,0250-0,762-0,09 Ca 0,26 0,79 0,2720 0,970,0000-0,53-0,607-0,562 Zn -0,2073-0,8 0,0588 0,0250-0,53,0000 0,7852 0,7787 PO -0,5202-0,5986-0,6-0,762-0,607 0,7852,0000 0,773 Fe -0,2758-0,55-0,078-0,09-0,562 0,7787 0,773,0000 7
8 Korelace ph-chloridy (0,5), ph vodivost (0,2); vodivost-chloridy (0,66), vodivost vápnik (0,79); celková alkalita- vodivost (0,), celková alkalita chloridy (0,55); zinekfosforečnany (0,79) a zinek- železo (0,78). Tabulka č.7 - Kovariance ph vodivost celk.alkal. Cl Ca Zn PO Fe ph,029 0,283 0,3567 0,5255 0,2209-0,233-0,5353-0,2838 vodivost 0,283,0286 0,29 0,6839 0,875-0,62-0,657-0,583 celk.alkal. 0,3567 0,29,0286 0,5696 0,2798 0,0605-0,9-0,0803 Cl 0,5255 0,6839 0,5696,0285 0,2027 0,0257-0,83-0,022 Ca 0,2209 0,875 0,2798 0,2027,029-0,568-0,6592-0,69 Zn -0,233-0,62 0,0605 0,0257-0,568,0286 0,8076 0,800 PO -0,5353-0,657-0,9-0,83-0,6592 0,8076,0286 0,7378 Fe -0,2838-0,583-0,0803-0,022-0,69 0,800 0,7378,0286 Kovariace - ph-chloridy (0,53), ph vodivost (0,3); vodivost-chloridy (0,68), vodivost vápnik (0,82); celková alkalita- vodivost (0,3), celková alkalita chloridy (0,57); zinekfosforečnany (0,8) a zinek- železo (0,80). Shluková analýza Cluster analysis Metoda která na základě podobnosti objektů umožňuje rozklad objektů do několika sourodých tříd (shluků). Posuzování podobnosti se provádí podle různých kritérií. Možnosti Statistiky Graf. č.7 - Horizontální graf hierarchického stromu Jednoduché spojení Euklidovské vzdál. Str. diagram pro 8 Proměnné Jednoduché spojení Euklid. v zdálenosti ph v odiv ost Ca Cl celk.alkal. Zn PO Fe Vzdálen. spojení Objekty se seskupili do jediného shluku. Seskupení objektů do shluků znázorníme do dendrogramu. Nejdřív se vytvořilo spojení vodivost a vápník, přidal se chlór a celková alkalita.a potom ph to je jedna část. Zinek a fosforečnany a pak železo vytvořili druhou část. Velice podobné si jsou vodivost - vápník a zinek a fosforečnany. Tabulka č. 8 Matice vzdáleností 8
9 ph vodivost celk.alkal. Cl Ca Zn PO Fe ph 0,0 6,5 6,86 5,9 7,5 9,3 0,5 9,6 vodivost 6,5 0,0 6,50,9 3,8 0,2 0,7 0,2 celk.alkal. 6,9 6,5 0,00 5,67 7,2 8,2 9,0 8,8 Cl 5,9,9 5,67 0,00 7,6 8, 9,2 8,5 Ca 7,5 3,8 7,2 7,60 0,0 0,5 0,9 0,2 Zn 9,3 0,2 8,23 8,38 0,5 0,0 3,9,0 PO 0,5 0,7 8,96 9,20 0,9 3,9 0,0,5 Zn 9,6 0,2 8,8 8,5 0,2,0,5 0,0 Nejkratší vzdálenosti vodivost vápník 3,8 a zinek-fosforečnany 3,9. Graf č.8 Vertikální třásňový graf 9 Str. diagram pro 8 Proměnné Jednoduché spojení Euklid. v zdálenosti 8 Vzdálen. spojení Fe PO Zn celk.alkal. Cl Ca v odiv ost ph Graf č. 9 Graf vzdáleností podél kroků Graf v zdáleností spojení podél kroků Euklid. v zdálenosti 9 8 Vzdálenost spojení Krok Spojení Vzdálen. Grafické metody zkoumání podobnosti objektů - slouží k vizuálnímu srovnání různých objektů 9
10 Graf č. 0 - Chernffonovy tváře pro každou chladící vodu. Voda Ikonov ý graf (Voda 8v *36c) tv ář/šíř = ph ucho/úrov = v odiv ost polov ina tv áře/v ýš = celk.alkal. horní tv ář/exc = Cl dolní tv ář/exc = Ca nos/dél = Zn ústa/stř = PO ústa/zakř = Fe Graf č. - Sun Ray Plot graf slunečních paprsků Počet paprsků odpovídá počtu proměnných. Střed každého paprsku představuje průměr odpovídající proměnná a jeho délka 2. n násobek směrodatné odchylky této proměnné, kde n je námi zadané číslo Legendu k grafu s popisem jednotlivých paprsků poskytuje Plot Key klíč Voda Ikonov ý graf (Voda 8v *36c) Prav otočiv ě: ph v odiv ost celk.alkal. Cl Ca Zn PO Fe Počet paprsků odpovídá počtu proměnných. Střed každého paprsku představuje průměr odpovídající proměnná a jeho délka 2. n násobek směrodatné odchylky této proměnné, kde n je námi zadané číslo Legendu k grafu s popisem jednotlivých paprsků poskytuje Plot Key klíč Graf č.2 - Star Symbol Plot hvězdicový graf 0
11 Délka paprsku zde představuje relativní velikost hodnoty příslušného objektu. Konce paprsků jsou spojeny čárami. V případě velkého množství objektů je graf nepřehledný. Klíč popisuje řazení jednotlivých paprsků. Voda Ikonov ý graf (Voda 8v *36c) Prav otočiv ě: ph v odiv ost celk.alkal. Cl Ca Zn PO Fe Graf č. 3 - Ikonový graf - výseče Voda Ikonov ý graf (Voda 8v *36c) Prav otočiv ě: ph v odiv ost celk.alkal. Cl Ca Zn PO Fe Vidíme že vzorek ze čtvrtého odběrového místa č.6 je úplně atypický a 5 a 7.Vzorky z prvního odběrového místa 2,3,,5,7,8 a 9 jsou si podobné složením Zinek a fosforečnany. U druhého odběrového místa je atypický vzorek č. 6. Vzorky z první skupiny jsou si podobné kromě č.,6,0 a. V druhé skupině jsou odlišné, a 6.
12 Závěr : Z vyšetření indexového grafu úpatí vlastních čísel Catelův indexový graf jsme určili vhodný počet hlavních komponent. V našem případě tři. První hlavní komponenta nám popisuje 9,06% celkového rozptylu, druhá hl.komponenta popíše 23,58% a třetí 0,5%. První tři popíšou 83,09%. Pro dostatečné vysvětlení chování zdrojových proměnných požadujeme % vysvětlené variability. V našem případě je patrné že zlom není moc zřejmý. Čtvrtá komponenta popíše 6,96%, pátá komponenta 5,23, šestá komponenta 2,68%, sedmá komponenta,56% a osmá 0,7%. Celkem 99,99 %. Z grafu komponentních vah jsme určili - souvislost - vodivost, chloridy a vápník,ph a alkalita. Druhá hlavní komponenta popisuje vztah vápník vodivost ph a první hlavní popisuje vztah celková alkalita a chloridy. Fosforečnany,zinek a železo mají záporné hodnoty a sestupnou tendenci korelačního vztahu. Metoda hlavních komponent je užitečná pomůcka pro rozlišení odběrových míst. Odběrová místa 2 a 3 jsou dobře rozlišeny. U odběrových míst a to už není tak jednoznačné protože se částečně překrývají. Pro rozklad objektů do shluků jsem použila shlukovou analýzu.objekty vytvořili nakonec shluk. Velice podobné jsou shluky vodivost vápník a zinek fosforečnany. Pro vizuální zkoumání podobnosti objektů jsem použila ikonové grafy. Jako nejpřehlednější mi připadali výseče. Hodně pomohlo barevné rozlišení jednotlivých parametrů, vytvoření podobných skupin a odlišné objekty byly vidět už na první pohled. 2
Příklad 2: Obsah PCB v játrech zemřelých lidí. Zadání: Data: Program:
Příklad 2: Obsah PCB v játrech zemřelých lidí Zadání: V rámci Monitoringu zdraví byly měřeny koncentrace polychlorovaných bifenylů vjátrech lidí zemřelých náhodnou smrtí ve věku 40 let a více. Sedm vybraných
VícePočítačová analýza vícerozměrných dat
Seminární práce Vypracoval: Ing.Jiří Raška Obsah: Zadání 3 Průzkumová analýza 5 Symbolové grafy 8 Odhalení struktury ve znacích a objektech 11 Metoda hlavních komponent 16 Shluková analýza 22 Závěr 27
VíceSEMESTRÁLNÍ PRÁCE. Určení vnitřní struktury analýzou vícerozměrných dat. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Určení vnitřní struktury analýzou vícerozměrných dat Ing. Pavel Bouchalík 1. ZADÁNÍ Tato semestrální práce je písemným vypracováním zkouškových otázek z okruhu Určení vnitřní struktury
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti. Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Zpracovávaná data jsou
VíceVyhodnocení průměrných denních analýz kalcinátu ananasového typu. ( Metoda hlavních komponent )
Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. ( Metoda hlavních komponent ) Zadání : Titanová běloba (TiO ) se vyrábí ve dvou základních krystalových modifikacích - rutilové a anatasové.
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět Určení vnitřní
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel
VíceTECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Studentská 2 461 17 Liberec 1 SEMESTRÁLNÍ PRÁCE STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÝCH ŠETŘENÍ Gabriela Dlasková, Veronika Bukovinská Sára Kroupová, Dagmar
VíceUniverzita Pardubice 8. licenční studium chemometrie
Univerzita Pardubice 8. licenční studium chemometrie Statistické zpracování dat při managementu jakosti Semestrální práce Metody s latentními proměnnými a klasifikační metody Ing. Jan Balcárek, Ph.D. vedoucí
VícePříklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy
Příklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy Zadání: Deponie nadložních jílových sedimentů SHP byla testována za účelem využití v cihlářské výrobě. Z deponie bylo odebráno
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
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
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
VícePočítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd
Počítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd Prof. RNDr. Milan Meloun, DrSc. (Univerzita Pardubice, Pardubice) 20.-24. června 2011 Tato prezentace je spolufinancována
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
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
VícePředpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2
Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik
VíceUNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE
UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT V OSTRAVĚ 20.3.2006 MAREK MOČKOŘ PŘÍKLAD Č.1 : ANALÝZA VELKÝCH VÝBĚRŮ Zadání: Pro kontrolu
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
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
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce STATISTICKÁ
VíceSimulace. Simulace dat. Parametry
Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,
VícePorovnání dvou výběrů
Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět ANOVA analýza rozptylu
VíceZáklady pravděpodobnosti a statistiky. Popisná statistika
Základy pravděpodobnosti a statistiky Popisná statistika Josef Tvrdík Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace v úterý 14.10 až 15.40 hod. Příklad ze života Cimrman, Smoljak/Svěrák,
VíceModul Základní statistika
Modul Základní statistika Menu: QCExpert Základní statistika Základní statistika slouží k předběžné analýze a diagnostice dat, testování předpokladů (vlastností dat), jejichž splnění je nutné pro použití
VíceÚvod do kurzu. Moodle kurz. (a) https://dl1.cuni.cz/course/view.php?id=2022 (b) heslo pro hosty: statistika (c) skripta na pravděpodobnost
Úvod do kurzu Moodle kurz (a) https://dl1.cuni.cz/course/view.php?id=2022 (b) heslo pro hosty: statistika (c) skripta na pravděpodobnost Výpočty online: www.statisticsonweb.tf.czu.cz Začátek výuky posunut
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět Statistická analýza
VíceFakulta chemicko-technologická Katedra analytické chemie. Licenční studium Statistické zpracování dat při managementu jakosti. Semestrální práce:
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Statistické zpracování dat při managementu jakosti Semestrální práce: METODY S LATENTNÍMI PROMĚNNÝMI A KLASIFIKAČNÍ
VíceOdhalení skryté struktury a vnitřních vazeb dat metodami vícerozměrné statistické analýzy
Odhalení skryté struktury a vnitřních vazeb dat metodami vícerozměrné statistické analýzy Prof. RNDr. Milan Meloun, DrSc, Katedra analytické chemie, Univerzita Pardubice, 532 10 Pardubice, milan. meloun@upce.
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.1 Matematické principy vícerozměrných metod statistické analýzy
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
VíceKlasifikace analýzou vícerozměrných dat
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Klasifikace analýzou vícerozměrných dat Zdravotní ústav se sídlem v
VíceOdhalení skryté struktury a vnitřních vazeb dat vícerozměrnou statistickou analýzou pitné vody
Odhalení skryté struktury a vnitřních vazeb dat vícerozměrnou statistickou analýzou pitné vody Prof. RNDr. Milan Meloun, DrSc, Katedra analytické chemie, Univerzita Pardubice, 532 10 Pardubice, milan.
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceStatistická analýza. jednorozměrných dat
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie icenční studium chemometrie Statistické zpracování dat Statistická analýza jednorozměrných dat Zdravotní ústav se sídlem v
VíceTEST Z TEORIE EXPLORAČNÍ ANALÝZA DAT
EXPLORAČNÍ ANALÝZA DAT TEST Z TEORIE 1. Test ze Statistiky píše velké množství studentů. Představte si, že každý z nich odpoví správně přesně na polovinu otázek. V tomto případě bude směrodatná odchylka
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 15. licenční studium INTERAKTIVNÍ STATISTICKÁ ANALÝZA DAT Semestrální práce ANOVA 2015
VíceUniverzita Pardubice. Fakulta chemicko-technologická. Katedra analytické chemie. Semestrální práce. Licenční studium
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Semestrální práce Licenční studium Statistické zpracování dat při kontrole a řízení jakosti předmět 3.1. Matematické principy
VíceMnohorozměrná statistická data
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém
VíceKvantily a písmenové hodnoty E E E E-02
Na úloze ukážeme postup průzkumové analýzy dat. Při výrobě calciferolu se provádí kontrola meziproduktu 3,5 DNB esteru calciferolu metodou HPLC. Sleduje se také obsah přítomného ergosterinu jako nečistoty,
VíceObsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku
Obsah Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Vedoucí studia a odborný garant: Prof. RNDr. Milan Meloun, DrSc. Vyučující: Prof. RNDr. Milan Meloun, DrSc. Autor práce: ANDRII
VícePopisná statistika. Komentované řešení pomocí MS Excel
Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceTřídění statistických dat
2.1 Třídění statistických dat Všechny muže ve městě rozdělíme na 2 skupiny: A) muži, kteří chodí k holiči B) muži, kteří se holí sami Do které skupiny zařadíme holiče? prof. Raymond M. Smullyan, Dr. Math.
VíceMinimální hodnota. Tabulka 11
PŘÍLOHA č.1 Výsledné hodnoty Výsledky - ženy (SOŠ i SOU, maturitní i učební obory) Aritmetický průměr Maximální hodnota Minimální hodnota Medián Modus Rozptyl Směrodatná odchylka SOM 0,49 2,00 0,00 0,33
VíceVŠB Technická univerzita Ostrava BIOSTATISTIKA
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: BIOSTATISTIKA Domácí úkoly Zadání 5 DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL 1:
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VíceStatistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých
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
VíceStatistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability
I Přednáška Statistika Diskrétní data Spojitá data Charakteristiky polohy Charakteristiky variability Statistika deskriptivní statistika ˆ induktivní statistika populace (základní soubor) ˆ výběr parametry
VíceStatistická analýza jednorozměrných dat
Univerzita Pardubice Fakulta chemicko-technologická, Katedra analytické chemie Licenční studium GALILEO Interaktivní statistická analýza dat Semestrální práce z předmětu Statistická analýza jednorozměrných
VíceEkonometrie. Jiří Neubauer
Úvod do analýzy časových řad Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Úvod do analýzy
VíceMnohorozměrná statistická data
Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceSEMESTRÁLNÍ PRÁCE 3.5 Klasifikace analýzou vícerozměrných dat
UNIVERZITA PARDUBICE FAKULTA CHEMICKO-TECHNOLOGICKÁ KATEDRA ANALYTICKÉ CHEMIE LICENČNÍ STUDIUM - STATISTICKÉ ZPRACOVÁNÍ DAT SEMESTRÁLNÍ PRÁCE Ing. Věra Fialová BIOPHARM VÝZKUMNÝ ÚSTAV BIOFARMACIE A VETERINÁRNÍCH
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Pythagoras Statistické zpracování experimentálních dat Semestrální práce ANOVA vypracoval: Ing. David Dušek
VíceKombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceFakulta chemicko technologická Katedra analytické chemie
Fakulta chemicko technologická Katedra analytické chemie Licenční studium statistické zpracování dat Analýza vícerozměrných dat Ing. Pavel Valášek Školní rok OBSAH ÚVOD DATA EDA EXPLORATORÍ AALÝZA 4 PCA
VíceKorelace. Komentované řešení pomocí MS Excel
Korelace Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A2:B84 (viz. obrázek) Prvotní představu o tvaru a síle závislosti docházky a počtu bodů nám poskytne
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceVzorová prezentace do předmětu Statistika
Vzorová prezentace do předmětu Statistika Popis situace: U 3 náhodně vybraných osob byly zjišťovány hodnoty těchto proměnných: SEX - muž, žena PUVOD Skandinávie, Středomoří, 3 západní Evropa IQ hodnota
VícePopisná statistika. Statistika pro sociology
Popisná statistika Jitka Kühnová Statistika pro sociology 24. září 2014 Jitka Kühnová (GSTAT) Popisná statistika 24. září 2014 1 / 31 Outline 1 Základní pojmy 2 Typy statistických dat 3 Výběrové charakteristiky
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
VíceSEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI. Předmě t POČ ÍTAČ OVÁ ANALÝ ZA VÍCEROZMĚ RNÝ CH DAT
SEMESTRÁ LNÍ PRÁ CE Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI Předmě t POČ ÍTAČ OVÁ ANALÝ ZA VÍCEROZMĚ RNÝ CH DAT Ú stav experimentá lní biofarmacie, Hradec Krá lové
VíceGrafický a číselný popis rozložení dat 3.1 Způsoby zobrazení dat Metody zobrazení kvalitativních a ordinálních dat Metody zobrazení kvan
1 Úvod 1.1 Empirický výzkum a jeho etapy 1.2 Význam teorie pro výzkum 1.2.1 Konstrukty a jejich operacionalizace 1.2.2 Role teorie ve výzkumu 1.2.3 Proces ověření hypotéz a teorií 1.3 Etika vědecké práce
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky SMAD
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: SMAD Cvičení Ostrava, AR 2016/2017 Popis datového souboru Pro dlouhodobý
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce KLASIFIKACE
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
VíceÚloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat )
Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat ) Zadání : Čistota vody v řece byla denně sledována v průběhu 10 dní dle biologické spotřeby kyslíku BSK 5. Jsou v
VícePŘÍKLAD 4.5 Chromatografická analýza farmakologických sloučenin Byly měřeny hodnoty R F pro 20 sloučenin s 18 eluenty. Žádné eluční činidlo však nepro
PŘÍKLAD 4.5 Chromatografická analýza farmakologických sloučenin Byly měřeny hodnoty R F pro 20 sloučenin s 18 eluenty. Žádné eluční činidlo však neprovedlo úplné rozdělení. Cílem je nalézt minimální výběr
VícePOPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica
POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.
VíceMatematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 27. listopadu 2017 Typy statistických znaků (proměnných) Typy proměnných: Kvalitativní proměnná (kategoriální, slovní,... ) Kvantitativní proměnná (numerická,
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
VíceFaktorová analýza (FACT)
Faktorová analýza (FAC) Podobně jako metoda hlavních komponent patří také faktorová analýza mezi metody redukce počtu původních proměnných. Ve faktorové analýze předpokládáme, že každou vstupující proměnnou
VíceMgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu
Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
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
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Ordinační analýzy principy redukce dimenzionality Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Ordinační analýza a její cíle Cíle ordinační analýzy
VíceExploratorní analýza dat
2. kapitola Exploratorní analýza dat Řešení praktických úloh z Kompendia, str. 81. Načtení dat po F3. Načtená data úlohy B201 je možné v editoru ještě opravovat. Volba statistické metody v červeném menu.
VíceAnalýzy regionálního trhu práce v České republice Analysis of regional labour market in Czech Republic
2 nd Central European Conference in Regional Science CERS, 2007 862 Analýzy regionálního trhu práce v České republice Analysis of regional labour market in Czech Republic PETR ŘEHOŘ, DARJA HOLÁTOVÁ Jihočeská
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceShluková analýza dat a stanovení počtu shluků
Shluková analýza dat a stanovení počtu shluků Autor: Tomáš Löster Vysoká škola ekonomická v Praze Ostrava, červen 2017 Osnova prezentace Úvod a teorie shlukové analýzy Podrobný popis shlukování na příkladu
VíceVŠB Technická univerzita Ostrava BIOSTATISTIKA
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: BIOSTATISTIKA Zadání 11 DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL 1: DOMÁCÍ ÚKOL
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky PRAVDĚPODOBNOST A STATISTIKA Zadání 1 JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL
VíceStatistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ
Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ Ing. Dana Trávníčková, PaedDr. Jana Isteníková Funkční gramotnost je používání čtení a psaní v životních situacích. Nejde jen o elementární
VíceSTATISTICKÉ CHARAKTERISTIKY
STATISTICKÉ CHARAKTERISTIKY 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VícePopisná statistika. úvod rozdělení hodnot míry centrální tendence míry variability míry šikmosti a špičatosti grafy
Popisná statistika úvod rozdělení hodnot míry centrální tendence míry variability míry šikmosti a špičatosti grafy Úvod užívá se k popisu základních vlastností dat poskytuje jednoduché shrnutí hodnot proměnných
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
VíceUniverzita Pardubice FAKULTA CHEMICKO TECHNOLOGICKÁ
Univerzita Pardubice FAKULA CHEMICKO ECHNOLOGICKÁ MEODY S LAENNÍMI PROMĚNNÝMI A KLASIFIKAČNÍ MEODY SEMINÁRNÍ PRÁCE LICENČNÍHO SUDIA Statistické zracování dat ři kontrole jakosti Ing. Karel Dráela, CSc.
Více