Aktivita 1 Seminář základů statistiky a workshop (Prof. Ing. Milan Palát, CSc., Ing. Kristina Somerlíková, Ph.D.)

Rozměr: px
Začít zobrazení ze stránky:

Download "Aktivita 1 Seminář základů statistiky a workshop (Prof. Ing. Milan Palát, CSc., Ing. Kristina Somerlíková, Ph.D.)"

Transkript

1 Aktvta Semář základů tattky a workhop (Prof. Ig. Mla Palát, CSc., Ig. Krta Somerlíková, Ph.D.) Stattcké tříděí Základí metoda tattckého zpracováí. Sekupováí hodot proměé, které jou z hledka klafkačího zaku tejé ebo podobé. Zároveň e uvádí četot. Zaky rozlšujeme - tříděé (uvaretí ebo multvaretí) - třídící (kvaltatví ebo kvattatví) Tříděí: Proté podle jedoho třídícího zaku Víceáobé podle ěkolka zaků Třídící zaky: - Čaové (podle doby relevatí událot) - Protorové (podle míta) - Věcé (podle popého tavu ebo typu epermetálího ošetřeí) - Dvojé (podle pohlaví, vakcace, březot, zdravotího tavu) - Možé (podle varety, druhu, plemee) Spojté (kotuálí) - apř. podle vykázaého zku, tržeb, ákladů Nepojté (dkrétí) - apř. podle počtu čleů v rodě Varačí řady - rozděleí četotí (u epojtých proměých) - tervalové rozděleí četotí (u pojtých proměých) Výzam tříděí - lepší orgazace dat, pozáí truktury - výpočet artmet. průměru, populačích parametrů - metody GOF (goode of ft) Varačí rozpětí (R) - rozdíl mez mamálí a mmálí hodotou. Varačí třídy - djuktí tervaly a číelé oe, uvtř tervalů erozlšujeme hodoty, ztrácíme čát formací, ale zíkáme a přehledot. Většou pracujeme 6-5 třídam. Třídy muí být tejě šroké. Pravdlo pro počet tervalů: < 00 k 5-9 tervalů 00 < < 500 k 0-5 tervalů > 500 k +3,3 * log Hrace a tředy tříd by měla být vhodá číla. Každou třídu reprezetuje její fyzcký třed (e průměr hodot!), Úhr třídy je pak rove a ahrazuje přeou hodotu oučtu všech hodot třídy.

2 Příprava tabulky četotí Četot - počet pozorováí v ouboru, třídě Abolutí četot ( ) - fyzcký počet pozorováí výběrového ouboru zařazeých do třídy Kumulatví (oučtová) četot (k ) - oučet všech abolutích četotí předcházejících daé abolutích četotí. Relatví četot ( p ) - podíl abolutí četot k celkovému počtu hodot ouboru Relatví četot vyjadřujeme v pravděpodobotech ebo v procetech. Kumulatví relatví četot - oučtová relatví četot (kp ) Kumulatví četot jou vyjádřtelé acedetím ebo decedetím způobem. Základí varačí charaktertky tattckého ouboru.. Lokačí míry (obecé polohy) -> tředí hodoty. Míry promělvot (varablty) -> varačí míry 3. Míry škmot (ymetre) -> míry ouměrot 4. Míry kocetrace (špčatot) ->míry špčatot. Měřeí obecé úrově. Středí hodoty a.) Průměry Artmetcký Geometrcký Harmocký Kvadratcký Chroologcký G H Q CH b.) Otatí tředí hodoty Medá ~ Modu ^ Průměry jou charaktertky obecé polohy a jou fukcem všech hodot v ouboru. Artmetcký průměr ( ) Protá výpočtová forma: Vážeá forma: k *,

3 Kde k redukuje a. Jou-l abolutí četot ahrazey relatvím četotm, vážeá forma e k k * p p Vážeá forma e aplkuje a tříděá data (rozděleí četotí ebo tervalové rozděleí četotí), u dat, kde jou zámy parcálí průměry. Protá forma e používá u meších etříděých ouborů. Vlatot artmetckého průměru:. Součet abolutích odchylek jedotlvých hodot ouboru je rove ule. ( -) 0. Součet čtverců odchylek je mmálí. ( -) M, tj. ( -) < ( -c)," c ¹ 3. Artmetcký průměr kotaty je rove kotatě 4. Průměr oučtů (rozdílů) dvou proměých je rove oučtu (rozdílu) jejch artmet. průměrů. 5. U vážeé formy, jou-l všechy četot áobey (děley) tejou kotatou, průměr e eměí. 6. Je-l ke každé hodotě přčtea (odečtea) určtá kotata, o tuto kotatu e zvýší (íží) artmetcký průměr. 7. Je-l každá hodota ouboru áobea (dělea) určtou kotatou c, bude artmetcký průměr c-krát větší (meší). Harmocký průměr ( ) Převráceá hodota oučtu převráceých hodot zkoumaého zaku. Používá e př průměrováí eprímo vyjádřeých velč jako rychlot, výoy, výkoy atd. Protá forma: H Geometrcký průměr ( G ) -tá odmoca ze ouču hodot. Vážeá forma: H k k Protá forma výpočtu: G * *... * Õ 3

4 V logartmckém tvaru: log log G Vážeá forma výpočtu: V logartmckém tvaru: log G G * *...* *log k k k Õ Používá e př aalýze bezrozměrých deů zřetězeých v čae. Medá ( ~ ) Protředí hodota etříděé řady hodot ouboru. Jedá e o 50, tedy 50% kvatl. Předtavuje hodotu, která rozdělí etříděý oubor a dvě tejé čát, co do počtu hodot. 50% hodot je meších ež medá a 50% je větších ež medá. Př lchém počtu hodot je protředí hodota medá. Př udém počtu hodot je medáem průměr dvou protředích hodot etříděého ouboru. Modu ( ^ ) Je hodota ouboru ejvyšší četotí. U ymetrckého ormálího rozděleí je U levotraě eouměrého rozděleí je U pravotraě eouměrého rozděleí je Míry promělvot ~ < ~ < < ~ < A. Varačí rozpětí R Y ma - Y m B. Kvatlové (kvartlové) odchylky Mez-kvartlové rozpětí(iqr): IQR 75-5 Kvartlová odchylka : Q IQR / C. Průměré odchylky abolutí a relatví Vypočítávají e průměré odchylky buďto od průměru ebo od medáu. Průměrá abolutí odchylka: Protý tvar: d / d/ / -/ 4

5 5 Vážeý tvar: - k k k k d d /* / /* / Relatví průměrá odchylka: Vyjádřtelá v % z artmetckého průměru. *00 d d D. Rozptyl a měrodatá odchylka Protá forma (evychýleá): ) ( - -, - -, / ) ( - - Vážeá forma: * ) ( - - k Vlatot rozptylu: Je ezáporý. Je ejmeší průměrou čtvercovou odchylkou. Změou hodot o kotatu e rozptyl eměí. Náobeím (děleím) všech hodot kotatou k e rozptyl zvětší (zmeší) k-krát. Rozptyl oučtu (rozdílu) dvou proměých je rove oučtu (rozdílu) jejch rozptylů plu (mu) dvojáobek jejch kovarace. y y y * ) ( ± + ± Celkový rozptyl z dílčích ouborů je rove průměru dílčích rozptylů a rozptylu dílčích průměrů. + Směrodatá odchylka: Je uvedea ve tejých jedotkách jako aměřeé hodoty.

6 E. Varačí koefcet v *00[%] Používá e př porováváí varablty jedoho zaku v růzých ouborech ebo růzých zaků v jedom ouboru. Míry eouměrot (škmot). Pearoova míra škmot: t - ^, popř. 3( - ~ ) t, záporé hodoty dkují pravotraou eouměrot.. Koefcet eouměrot - aymetre(a 3 ): a ( ) 3 Míry špčatot (kocetrace, kartéze):. Koefcet špčatot (a 4 ): 4 a 4 ( - ) -3 4 Kladá hodota dkuje špčatější rozděleí oprot ormálímu rozděleí. Záporá hodota zameá podormálí špčatot (plochot) rozděleí. 3 Jedoduchá leárí regree a korelace Cílem je zkoumáí příčé závlot mez dvěma, č více proměým. Regreí úloha: počívá v alezeí rovce regreí fukce, která vhodě popuje typ a průběh závlot y f(). Podle typu fukce regreí závlot dělíme a leárí ebo eleárí. Podle počtu proměých a regre jedoduchou ebo víceáobou. 6

7 Modelová rovce jedoduché regreí úlohy je: Y a + b* + e, Kde Y je závle proměá (odezva) a je protý čle (tercept) b je regreí koefcet b y X je ezávle proměá (regreor) E je reduálí odchylka Př oboutraé závlot jou možé dvě regreí přímky: Y a y + b y * X a y + b y *y a y, b y, a y, b y jou ezámé koefcety, jejchž hodotu zíkáme řešeím outavy tzv. ormálích rovc.,y jou emprcké(kutečé hodoty závle proměé.,y jou teoretcké hodoty závle proměé vypočteé z regreí rovce. Hodoty potřebé pro výpočet regreích hodot: Součty čtverců odchylek od průměru: S yy ( y -y)( y -y) ( y -y) S ( -)( -) ( -) S y ( y -y)*( -) Základí forma regreího koefcetu je pak: b y S S y b y S S y yy Forma I. b y ( -)*( y ( -) -y) b y ( -)*( y ( y -y) -y) 7

8 Forma II. b y y -y - b y y y -y -y Forma III. b y -/ * y -/ *( * ) y b y y -/ * y -/ *( * y) y Abolutí čle je pak: a y-b a -b y y y* INTERPRETACE: y y* Regreí koefcet b y udává jedotkovou změu závle proměé (y), když e ezávle proměá () změí o jedotku. Abolutí čle (tercept) a y udává hodotu teoretcké proměé y, je-l hodota regreoru rova ule. Vlatot metody LS (ejmeší čtverce): ( y - ( y / y / -y ) 0, uma odchylek emprckých a teoretckých hodot rovy ule ) 0, uma odchylek teoretckých hodot a průměru rovy ule ( y -y) 0, uma odchylek emprckých hodot a průměru rovy ule ( y - / y ) m, uma čtverců odchylek emprckých a teoretckých hodot je mmálí Koefcet korelace (r). Je bezrozměrá velča v tervalu < r > +. Zamékem e muí hodovat oběma regreím koefcety. Kladá hodota zameá kladou, poztví závlot. Záporá hodota zameá záporou, egatví závlot. r 0 zameá leárí ezávlot. /r/ zameá pevou fukčí závlot. 8

9 Abolutí hodota r Těot závlot Typ závlot 0 Nulová Nezávlot 0,0-0,3 Nízká 0,3-0,5 Mírá 0,5-0,7 Výzačá Volá závlot 0,7-0,9 Velká 0,9-0,99 Velm vyoká,0 Pevá fukčí Pevá závlot Výpočet: r ± b y * b y geometrcký průměr obou regreích koefcetů, kde zaméko odpovídá zaméku regreího koefcetu úpravou vztahu lze zíkat výrazy pro výpočet koefcetů regree: y r b y r, by, b y r, b b y y y r b kde hodoty měrodatých odchylek e počítají vychýleým způobem. Obecě korelačí koefcet dotaeme: covy r var *var y y výpočtové tvary: r æ ç è í y - -y öæ ç øè y -y ö ø y -y y S S y * S yy ebo r - y -y * ( -)( y y -y) ebo / var( y ) r, kde var(y ) je varace teoretckých hodot a var(y) je varace emprckých var( y) hodot závle proměé. 9

10 4 Náhodá velča, rozděleí pravděpodobot Náhodá velča lbovolá kvattatví charaktertka áhodého pokuu proměá abývající hodot v závlot a áhodě hodota je tedy jedozačě určea výledkem áhodého pokuu, kterou je číelá hodota - realzace áhodé velčy X) pro áhodou velču e užívá ozačeí X, X, X 3, Y, Z, pro hodoty realzace pak,, 3, y, z apod. Základí druhy áhodé velčy: epojtá (dkrétí) alteratví rozděleí, Bomcké rozděleí, Pooovo rozděleí, Hypergeometrcké pojtá ormálí (Gauovo) rozděleí, rozděleí c, t, F (Fher- Sedecorovo) Záko rozděleí pravděpodobot pravdlo, podle kterého jou jedotlvým možým hodotám áhodé velčy X přřazey jejch pravděpodobot. způoby vyjádřeí zákoa rozděleí pravděpodobotí - vzorcem, tabulkou, grafcky Základím protředkem vyjádřeí zákoa rozděleí áhodé velčy X je dtrbučí fukce F()P(X ) Vlatot dtrbučí fukce: 0 F() P( < X < ) F( ) - F( ) Dtrbučí fukce je ekleající, tj. pro všecha < platí, že F( ) F( ) Dtrbučí fukce je pojtá zprava F(- ) 0, F( ) 0,8 Dtrbučí fukce F() 0,6 0,4 0, 0 3 0

11 Kvatly 00 a% kvatl a pojté áhodé velčy X azýváme hodotu, pro kterou platí F( a ) a je-l a0,05 5 % kvatl a0,95 95 % kvatl Kvatly umožňují kotruovat takové tervaly, do chž padá hodota áhodé velčy e zvoleou pravděpodobotí. apř. 0,05,8 0,95 5,94 pak P(,8 < X < 5.94) 0,90 POZN. Pro praktckou prác jou kvatly důležtých pravděpodobotích rozděleí tabelováy Stattky Základí používaé tattky artmetcký průměr X, jehož realzace je rozptyl rep. měrodatá odchylka - tvary (výběrový a základího ouboru) S ( X - X ) S X - X - ( ) - 5 Teore odhadu Bodový odhad je odhad a základě jedoho číla odhadem charaktertky č parametru základího ouboru Q je výběrová charaktertka č parametr T (obvykle je vole tzv. výběrový protějšek) výběrová charaktertka pak m r r b y b y charaktertka zákl. ouboru odhad R¾ ¾¾ Q

12 Bodový odhad má plňovat: etraot - tj. odhad tředí hodoty charaktertky výběrového ouboru je rove odhadovaé charaktertce základího ouboru E(T) Q koztece - vzrůtající rozah výběru žuje výběrovou chybu lm P( T- Q < e) vydatot - takový odhad, který má z charaktertk přcházejících v úvahu ejmeší rozptyl D(T)<D(T + ) kde T - výběrová charaktertka plňující vydatot odhadu T + - jakákol já výběrová charaktertka Vydatot lze měřt mírou vydatot e(t + ): + D( T) e( T ) 0<e(T + )< + D( T ) Lze uvét: + lm e( T ) Itervalový odhad odhadem charaktertky č parametru základího ouboru e rozumí taoveí tervalu, v ěmž e odhadovaá charaktertka č parametr achází Pro 00(-a) procetí terval polehlvot charaktertky Q platí: P( T / Q T // ) -a kde T / - dolí hrace tervalu T // - horí hrace tervalu hodoty a jou rzka odhadu

13 za a e obvykle volí a0,05 ebo a0,0 (95% rep. 99% terval polehlvot) tervaly polehlvot e ozačují též termíem kofdečí tervaly př taoveí tervalů polehlvot e čato využívá ormálí apromace. Vychází e z ormovaé velčy ormálího rozděleí výběrové charaktertky U T - E ( T ) T-Q U X -m D( T) D( T) Dtrbučí fukce ormovaého ormálího rozděleí je tabelováa pro růzé hodoty u Itervaly polehlvot mohou být jedotraé ebo oboutraé Oboutraý terval polehlvot Q: P( - u U u) P( - u T-Q D( T) u) [- ( ) - Q ( )] [ - ( ) Q + ( )] P u DT T u DT PT u DT T u DT takže platí: é ù PêT- u D( T) Q T+ u D( T) ú ë û a a a 3

14 Jedotraé tervaly polehlvot charaktertky Q pak: levotraý terval [ -a ( ) Q ] P T- u D T -a pravotraý terval [ -a ( )] PQ T+ u D T -a 4

15 D - příputá chyba áobek ormovaé velčy ormálího č Studetova rozděleí a tředí chyby D u D T a ( ) D - u a - Staoveí mmálího rozahu výběru: ³ ³ t a - D př rozahu výběru >30 lze ezámý parametr bez problémů ahradt jeho bodovým odhadem - měrodatou odchylkou S - (ahrazeí ormálím rozděleím) u a - D př rozahu výběru <30 je př ezámém parametru uto použít vztah - - P( X - t a m X + t a ) -a - - kde t -a/ je kvatl Studetova rozděleí pro - tupňů volot Grafcké taoveí mmálího rozahu výběru - je polehlvější Iterval polehlvot artmetckého průměru Oboutraý terval P( - u m + u ) -a kde a a - -, popř. - 5

16 Levotraý P( - u -a m) -a Pravotraý P( m + u - ) -a a Iterval polehlvot rozptylu využtím c rozděleí é P ê( - ) ( - ) ê ê c a c a - ë ù ú ú ú û -a Iterval polehlvot relatvích a abolutích četotí relatví četot P( p - t P p + t ) - p p a - a - a kde: p ( - p ) p abolutí četot [ ( p ) ( p )] P N p - t N N p + t - a - a - a Itervalový odhad charaktertk korelace a regree Závlot podle tupě závlot - pevá, volá podle druhu zaků - korelačí, aocačí, kotgečí Druhy korelačí závlot podle počtu kvattatvích zaků - jedoduchá, víceáobá podle typu regreí fukce - leárí, eleárí podle změ - poztví, egatví 6

17 korelačí koefcet výběrový koefcet korelace r eodpovídá krtérím bodového odhadu, proto: r Fherova _ traformace ¾ ¾¾¾¾¾¾ z r + l - r r (tabelováo) P( z - u z + u ) -a r a zr r a zr - - kde zr - 3 ale pro r < 0,5 a > 00 platí: P( r- u r r+ u ) -a a r a r - - kde -r r -k- regreí koefcet b, popř. b y Přímka může být zapáa buď ve tvaru: y a y + b y ebo y b 0 + b. Potom pro tervaly polehlvot platí: Pb ( - t b b + t ) -a a b a b - - kde b e ( -) popř. b y -r -k- 7

18 Abolutí čle b o, popř. a y Pb ( - t b b + t ) -a kde 0 a b 0 0 a b - - b0 e + ( - ) 0 0 e je rezduálí měrodatá odchylka ( y-y ' ) - regreí přímka y a y + b y popř. y b 0 + b. / / / P( y - t y y + t ) - / y j / a - a - a y kde y' e + ( -) ( -) popř. + / y y y a y ( -) Nejpřeější je odhad v blízkot artmetckého průměru, terval polehlvot je v tomto mítě ejužší. Pozámka: Pro >30 lze t rozděleí apromovat ormálím pá polehlvot kolem regreí fukce Hodoty závle proměé kokrétího tattckého zaku jou rozptýley kolem regreí fukce. Teto pá, ve kterém e tyto kutečé hodoty acházejí, lze taovt e zvoleou pravděpodobotí. 8

19 Pá polehlvot kolem regreí přímky / P ( y ± t ) -a y a y ( H, D) - kde y je měrodatá (tadardí) chyba y / / ( y -y) ( y) - y y -k- -k- k - počet parametrů regreí fukce mmo abolutí čle, popř. počet ezávle proměých (vyvětlujících proměých) Vzorce pro, r - ( - )( y - y) r y b b y y Iterval polehlvot regreí fukce Y X 9

20 E. Pá polehlvot t. Kč 00 Pá polehlvot kolem regreí přímky Obrat Otev. doba -6,68+6,093* -6,68+6,093*-35,3470-6,68+6,093*+35,3470 hod. 6 Tetováí tattckých hypotéz pjato e tattckým odhady Prcpem je vyloveí předpokladu o charaktertce základího ouboru - ulová hypotéza H o a její tetováí mc, - tředí hodota je rova kotatě r0 - korelačí koefcet je rove 0 b0 - regreí koefcet je rove 0 m m - tř. hodoty výběrů e rovají apod. Prot ulové hypotéze - alteratví hypotéza H u dvoutraého tetu - m ¹ c u jedotraého tetu - m > c Chyba. druhu - H 0 je pravdvá a zamítá e, pravděpodobot chyby je a Chyba. Druhu - H 0 je epravdvá a ezamítáme j - pravděpodobot chyby je b Hlada výzamot - pravděpodobot chyby. druhu - a Potup př tetováí hypotéz:. formulace hypotézy. volba tetového krtéra 0

21 3. etrojeí krtckého oboru 4. výpočet hodoty tetového krtéra 5. formulace výledků tetu Platí-l, že hodota tetového krtéra je větší ež tabulková hodota př: a 0,05 - tet je tattcky průkazý a 0,0 - tet je tattcky vyoce průkazý Tety o tředí hodotě př velkém výběru (>30) ze základího ouboru, popř. př zámém rozptylu (d ) Tetové krtérum: U _ - X C Př. Otetujte, zda-l průměrý plat pracovíků školtví je vyšší ež 8389 Kč. Nulovou hypotézu lze formulovat jako: H 0 : m 8389 Kč Alteratví jako: hypotézu H : m > 8389 Za tímto účelem byl provede áhodý výběr 00 oob pracujících ve oboru. Byla zjštěa průměrá odměa 840 Kč a měrodatá odchylka 90 Kč. Tet provedeme a hladě výzamot a 0,05 Pro hodotu tetového krtéra platí: U, Tabulková hodota 95% kvatlu u 0,95 je,64 I př hladě výzamot a 0,0 je tet tattcky výzamý (u 0,95,36).

22 Podobě, pokud by byla průměrá odměa zjštěa jako 8368 Kč a tetové krtérum U-,33 a alteratví hypotéza H byla m < 8389, platlo by, že u a -u -a Závěrem, lze říc, že zamítáme ulovou hypotézu, že průměrá odměa je 8389 Kč. Z toho tedy plye, že průměrá odměa je vyšší. Tety o tředí hodotě př malém výběru (<30) ze základího ouboru, popř. ezámém rozptylu zákl. ouboru Jedá e o podobý potup jako př tetováí výběrů větších jak 30 tím rozdílem, že tetovým krtérem je hodota t. Tetové krtérum má tvar t t má tudetovo rozděleí o - tupích volot. Př. U áhodého výběru potřebtelů o rozahu 5 byl zjště průměrý měíčí výdaj a oobu za potravy 850, měrodatá odchylka 80. Zjtěte, zda-l lze zamítou hypotézu, že průměrý výdaj za potravy a oobu a měíc je v ČR 88 Kč. Nulovou hypotézu lze formulovat jako: H 0 : m 88 Kč Alteratví hypotézu jako: H : m ¹ 88 Tet provedeme a hadě výzamot a 0,05 Tetové krtérum t má tvar: t , Tabulková hodota t- rozděleí pro oboutraou hypotézu pro 4 tupňů volot je t 0,975,45. Nezamítáme ulovou hypotézu, že tředí hodota e rová 88 Kč. Prcp a potup př tetováí hypotéz pro regre, regreí koefcety a de korelace je podobý.

23 Tet hypotézy o hodě průměrů: za předpokladu zámých rozptylů v obou základích ouborech pro rováváí alteratv, poouzeí výzamot změ apod. U - + Příklad: Na 5% hladě výzamot tetu ověřte, zda výko pracovíků v jedom závodě je výzamě vyšší ež v jém, zaměřeém a tejý typ výroby. Je zám rozptyl výkoů 5 a 3. K ověřeí tetovaé hypotézy byl provede áhodý výběr v prvím závodě 50 pracovíků a 40 pracovíků, průměré výkoy byly 35 a 30. H 0 : m m H : m > m U , 95 u 0,95,645,95 >,645 Nulová hypotéza e zamítá, a zvoleé 5% hladě výzamot je výko pracovíků v prvím závodě vyšší ež ve druhém. Tetováí průkazot regreího modelu - aalýza rozptylu (varace) Defovaý model tetujeme pomocí aalýzy rozptylu, kdy zjšťujeme varabltu vyvětleou regreí a ovlvěou áhodým vlvy. Tetovým krtérem je F-tet Tabulka aalýzy rozptylu Zdroj varablty Součet čtverců Stupě volot Rozptyl F-hodota Regree S R R k RS R / R R/ e Rezduum S e e -k- es e / e Celkem S T T - ' S R ( y -y) - S e - ( y y ' ) ( y y) S T - 3

24 Pro umy čtverců a tupě volot platí: S T S R + S e, tj. celková způobeá regreí + rezduálí T R + e k... počet parametrů regreího modelu kromě abolutího čleu, popř. počet ezávle proměých Př tetováí vycházíme z ulové hypotézy H 0 : model je tattcky eprůkazý Tetovým krtérem je F-hodota zíkaá jako podíl rozptylu teoretckých hodot (rozptyl vyvětleý regreí) k rozptylu kolem regree (rezduálí). F (k, -k-) R e F má Fher-Sedecorovo rozděleí k a -k- tup volot. Př. Ve regoech byly ledováy proměé: cea za určtý výrobek a možtví, které potřebtelé za tuto ceu požadoval (poptávka). Zjtěte, jaký je vztah mez ceou a možtvím. Proveďte tetováí regreího modelu. Cea Možtví Vyrovaé hodoty , , , , , , , ,79 4 4, , , ,58 Řešeí: Metodou ejmeších čtverců bylo vypočítáa rovce přímky: y 48,68-9,6. Hodota korelačího koefcetu byla 0,896 Regreí model lze tetovat aalýzou rozptylu. Bylo vypočteo: ' S R ( y -y) (8,4-55) +...+(8,58-55) 3300,5 - S T - S e - ( y y) (00-55) +...+(39-55) 40 ( y y ' ) S T - S R 809,5 4

25 RS R / R 3300,5/3300,5 es e / e 809,5/080,95 Pro tetové krtérum F potom platí: F (,0) 33005, 40, , F tab 4,965 F vyp > F tab, platí proto, že zamítáme ulovou hypotézu H 0, že regreí model je eprůkazý. Výledá data pro aalýzu rozptylu jou uvedea v tabulce. Aalýza rozptylu Vlv Suma čtverců S St.v. Rozptyl F-hod. St.výz. Regree R Chyba (e) Celkem (T) Tetováí parametrů regreí fukce Nulová hypotéza H 0 je ve tvaru: b j 0, tj. že parametry regreí fukce jou evýzamé, rovy 0, eovlvňují závle proměou. Alteratví hypotéza H je b j ¹0. Pro tetové krtérum t platí: t (-k-) b j bj, b j je parametr fukce, bj je měrodatá chyba odhadu kde pro j0 (abolutí čle) platí b0 e + ( - ) pro j (regreí koefcet) platí ( -), popř. y b b e -r -k- e je rezduálí měrodatá odchylka ( y-y ' ) - a y jou měrodaté odchylky proměých a y. 5

26 Hodota t má Studetovo rozděleí t -k- tup volot. Pro >30 e kvatly ahrazují kvatly ormálího rozděleí. Byly zjštěy tyto hodoty regreí přímky: Koefcet Kotata Směrce Otetujte parametry regreí fukce a hladě výzamot a 0,05. b , b t tab,8, rep. -,8, 4,9 pro t-hodotu platí: t 487, 6,69 49,,50 pro t-hodotu platí: t, -96, -6,4 5, Jelkož hodota vypočteá je větší ež tabulková, můžeme a hladě výzamot a0,05 zamítout hypotézu o ulové hodotě koefcetů regreí fukce. Tetováí tattcké výzamot korelačího koefcetu Tetovým krtérem je opět hodota F, která má Fher-Sedecorovo rozděleí k a -k- tup volot. F r ( -k-) y ( -r ). k y Poz.: Jedá-l e o jedoduchou regre, lze použít tetové krtérum t - tup volot. Potom platí t r. - y -r y Z příkladu v kaptole.5.3 byl zjště korelačí koefcet r 0,896. Na hladě výzamot a 0,05 tetujte hodotu korelačího koefcetu. F (,0) 08030,. ( 0803, ). - 40,77 6

27 7

28 8

29 9

30 30

31 3

32 3

33 33

34 34

35 8 Ukázka tetováí regreího modelu a jeho parametrů ve tattckém ytému UNISTAT Závlot mez ceou a požadovaým možtvím Závle proměá: možtví Koefcet Směr. chyba t-hodota Výzamot Kotata Směrce Rezduálí uma čtverců Směrodatá chyba Průměr Y 55 Směrodatá odch. y 9.33 Ide determace F(,0) výzamot F Počet řádků Aalýza rozptylu regree Vlv Suma čtverců St.v. Rozptyl F-hod. výz. Regree Chyba Celkem Rozklad umy čtverců Vlv Suma čtverců St.v. Rozptyl F-hod. Výz. cea Celkem % terval polehlvot pro koefcety regreí fukce Koefcet Hodota Směrodatá ch. dolí mez Horí mez kotata měrce % terval polehlvot pro přímku a pá polehlvot dolí m.pá dolí mez př. Teoret. Y horí mez př. Horí m.pá Příklad: Zjtěte tattckou průkazot závlot mez počtem zamětaců a tržbam. Tetováí proveďte a hladě výzamot a 0,05%. Úkol proveďte pro přímku, pomocí výpočetí techky pro parabolu. Výledek kometujte. 35

36 počet tržby v ml. Kč. zamět Po proložeí přímkou byla zjštěy tyto výledky: Koefcet Ab.čle měrce 0.48 Rezduálí uma čtverců Směrodatá chyba Průměr Y 9.84 Směr. Odch. Y Ide determace Výledky: Coeffcet Stadard Error t-stattc Sgfcace Cotat poczam Redual Sum of Square Stadard Error Mea of Y 9.84 Stad Dev of y R-quared Adjuted R-quared F(,8) gfcace of F Number of Row 0 ANOVA of Regreo Due To Sum of Square DoF Mea Square F-Stat Sgf Regreo Error Total % Cofdece Iterval for Regreo Coeffcet Cotat Coeffcet Stadard Error Lower Boud Upper Boud ab.čle měrce

37 95% Cofdece Iterval for Mea ad Actual Y Value lb Actual Y lb Mea of Y Ftted Y ub Mea of Y ub Actual Y Závěr: Po proložeí přímkou lze zjtt, že model eí tattcky výzamý. Je proto třeba zvolt jé, vhodější proložeí. V tomto případě odpovídá zjštěým datům parabola, kdy všechy tety vycházeí průkazé. Příklad: Otetujte model, koefcety regreí fukce, korelačí koefcet u závlot mez prodejem automoblů a potřebou pohoých hmot. Prodej PHM Vypočítaé hodoty: koefcet kotata měrce Ide determace Výledky: Směr. Chyba t-hodota Sgfcace Aalýza rozptylu regree Due To Sum of Square DoF Mea Square F-Stat Sgf Regreo Error Total Ide determace F(,8) gfcace of F

38 Lteratura STÁVKOVÁ, J., DUFEK, J. Bometrka.. vyd. Bro: Medelova zemědělká a lecká uverzta v Brě, ISBN ANDĚL, J. Stattcké metody.. vyd. Praha: MATFYZPRESS, MELOUN, M., MILITKÝ, J. Kompedum tattckého zpracováí dat : metody a řešeé úlohy včetě CD.. vyd. Praha: Academa, ISBN MENDENHALL, W., SINCICH, T. Stattc for the Egeerg ad Computer Scece.. vyd. Sa Fracco: Delle Publhg Compay, ISBN NAVIDI, W. Stattc for egeer ad cett. Boto: McGraw-Hll, ISBN ROD, J., VONDRÁČEK, J. Polí pokuctví : Pokucká techka e základy bometrky. Bro: VŠZ, SEGER, J., HINDLS, R. Stattcké metody v tržím hopodářtví.. vyd. Praha: Vctora Publhg, ISBN PALÁT, M. Aplkace bometrckých metod a modelováí v lecké ekolog. I FLAK, P. Bometrcké metódy a modely v pódohopodárkej vede, výkume a výučbe. XVI. letá škola bometrky, Račkova dola, júa 004. Ntra: VES SPU v Ntre, 004, ISBN

39 Semář základů tattky a workhop Ig. Krta Somerlíková V teoretcké čát emáře jou vyvětley základí pojmy a charaktertky a objaěy používaé tattcké metody. V áledující praktcké čát, budou uvedeé charaktertky a metody praktcky ukázáy a ouvlém příkladě. Soukromý zemědělec vlatí tádo mléčého kotu tří růzých pleme růzého táří. Jeho hlavím produktem je mléko, vede deí zázamy o produkc jedotlvých krav.. Navrhěte tabulku rozděleí četotí z uvedeých dat. Dopočítejte relatví četot a kumulatví četot. Grafcké zobrazeí četotí.. Nalezěte výzamé hodoty varačí řady. Aalýza truktury. Setrojeí Lorezovy kocetračí křvky. 3. Vypočítejte z uvedeých dat charaktertky obecé úrově a charaktertky varablty. Pracujte daty tříděým etříděým. 4. Výpočet regreí úlohy. Výpočet deu korelace. Grafcké zázorěí regreí fukce. 5. Výpočet družeých regreích přímek a korelačího koefcetu. Grafcké zázorěí přímek. 6. Měřeí závlot lovích zaků. Výpočet koefcetů kotgece a aocace. 7. Středí a příputá chyba výběru, taoveí rozahu výběrového ouboru. 8. Výpočet kofdečích tervalů pro tředí hodotu, rozptyl a měrodatou odchylku, jejch grafcké zobrazeí. 9. Tetováí homogety rozptylu, t tety: tetováí výzamot rozdílu dvou třeích hodot u ezávlých závlých ouborů. 0. Jedofaktorová a vícefaktorová aalýza rozptylu.. Metody áledého tetováí. 39

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení. MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu Směrce /0 Stattcké vyhodocováí dat, verze 4 Verze 4 e hodá e Směrcí /0 verze 3, ouze byla rozšířea o robutí aalýzu. Stattcké metody ro zkoušeí zůoblot Cílem tattcké aalýzy výledků zkoušek ř zkouškách zůoblot

Více

Odhady a testy hypotéz o regresních přímkách

Odhady a testy hypotéz o regresních přímkách Lekce 3 Odhad a tet hpotéz o regreích přímkách Ve druhé lekc jme kotruoval kofdečí terval a formuloval tet hpotéz o korelačím koefcetu Korelačí koefcet je metrckou charaktertkou tezt závlot, u které ezáleží

Více

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor 1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců

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

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

Testy statistických hypotéz

Testy statistických hypotéz Úvod Testy statstckých hypotéz Václav Adamec vadamec@medelu.cz Testováí: kvalfkovaá procedura vedoucí v zamítutí ebo ezamítutí ulové hypotézy v podmíkách ejstoty Testy jsou vázáy a rozděleí áhodých velč

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru.

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru. Soutava mometů Momety (Obecé, cetrálí a ormovaé) Do ytému mometových charatert patří ty ejdůležtější artmetcý průměr (mometová míra úrově) a rozptyl (mometová úroveň varablty). Obecý momet -tého tupě:

Více

} kvantitativní znaky

} kvantitativní znaky Měřeí tattcké závlot, korelace, regree Obecé prcpy závlot vzájemá ouvlot měřeých zaků Prof. RNDr. Jaa Zvárov rová,, DrSc. fukčí závlot x tattcká závlot átroje pro měřeí závlot leár rí regree korelace }

Více

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ

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

Více

C V I Č E N Í 4 1. Představení firmy Splintex Czech 2. Vlastnosti skla a skloviny 3. Aditivita 4. Příklady výpočtů

C V I Č E N Í 4 1. Představení firmy Splintex Czech 2. Vlastnosti skla a skloviny 3. Aditivita 4. Příklady výpočtů Techologe skla 00/03 C V I Č E N Í 4. Představeí rmy pltex Czech. Vlastost skla a sklovy 3. Adtvta 4. Příklady výpočtů Hospodářská akulta. Představeí rmy pltex Czech a.s. [,] Frma pltex Czech je součástí

Více

Fakulta elektrotechniky a informatiky Statistika STATISTIKA

Fakulta elektrotechniky a informatiky Statistika STATISTIKA Fakulta elektrotechky a formatky TATITIKA. ZÁKLADNÍ OJMY. Náhodý pokus a áhodý jev NÁHODNÝ OKU proces realzace souboru podmíek kde výsledek emůžeme předem ovlvt. - výsledek áhodého pokusu. - jev, který

Více

ZÁKLADY STAVEBNÍ MECHANIKY

ZÁKLADY STAVEBNÍ MECHANIKY VYSOKÉ UČENÍ TECHNICKÉ V BNĚ AKULTA STAVEBNÍ ING. JIŘÍ KYTÝ, CSc. ING. ZBYNĚK KEŠNE, CSc. ING. OSTISLAV ZÍDEK ING. ZBYNĚK VLK ZÁKLADY STAVEBNÍ ECHANIKY ODUL BD0-O SILOVÉ SOUSTAVY STUDIJNÍ OPOY PO STUDIJNÍ

Více

Spojité (kontinuální) - nap. podle vykázaného zisku, tržeb, náklad Nespojité (diskrétní) - nap. podle potu len v rodin

Spojité (kontinuální) - nap. podle vykázaného zisku, tržeb, náklad Nespojité (diskrétní) - nap. podle potu len v rodin Aktvta 3 Semá základ tattk a workhop (Prof. Ig. Mla Palát, CSc., Ig. Krta Somerlíková, Ph.D.) Stattcké tídí Základí metoda tattckého zpracováí. Sekupováí hodot promé, které jou z hledka klafkaího zaku

Více

Výsledky této ásti regresní analýzy jsou asto na výstupu z poítae prezentovány ve form tabulky analýzy rozptylu.

Výsledky této ásti regresní analýzy jsou asto na výstupu z poítae prezentovány ve form tabulky analýzy rozptylu. Ig. Marta Ltschmaová Statstka I., cveí 4 JEDNODUCHÁ LINEÁRNÍ REGRESE asto chceme prozkoumat vztah mez dvma velam, kde jeda z ch, tzv. ezávsle promá x, má ovlvovat druhou, tzv. závsle promou Y. edpokládá

Více

APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU

APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV FINANCÍ FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF FINANCES APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU

Více

Statistické charakteristiky (míry)

Statistické charakteristiky (míry) Stattcé charaterty (míry) - hrují formac, obažeou v datech (vyjadřují j v ocetrovaé formě); - charaterzují záladí ryy zoumaého ouboru dat; - umožňují porováváí více ouborů. upy tattcých charatert :. charaterty

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

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

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

2 EXPLORATORNÍ ANALÝZA

2 EXPLORATORNÍ ANALÝZA Počet automobilů Ig. Martia Litschmaová EXPLORATORNÍ ANALÝZA.1. Níže uvedeá data představují částečý výsledek zazameaý při průzkumu zatížeí jedé z ostravských křižovatek, a to barvu projíždějících automobilů.

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

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

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

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI 8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY Statitické metody ve veřejé právě ŘEŠENÉ PŘÍKLADY Ig. Václav Friedrich, Ph.D. 2013 1 Kapitola 2 Popi tatitických dat 2.1 Tabulka obahuje rozděleí pracovíků podle platových tříd: TARIF PLAT POČET TARIF

Více

Momenty a momentové charakteristiky

Momenty a momentové charakteristiky Lekce 3 Momety a mometové charaktertky Pokud jme e v předešlém výkladu zmňoval o ěkteré tattcké charaktertce, zpravdla jme rověž uváděl, zda j řadíme mez více ebo méě důležté. A byly to právě artmetcký

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

Statistika - vícerozměrné metody

Statistika - vícerozměrné metody Statstka - vícerozměré metody Mgr. Mart Sebera, Ph.D. Katedra kezologe Masarykova uverzta Fakulta sportovích studí Bro 0 Obsah Obsah... Sezam obrázků... 4 Sezam tabulek... 4 Úvod... 6 Pojmy... 7 Náhodé

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

Cvičení z termomechaniky Cvičení 5.

Cvičení z termomechaniky Cvičení 5. Příklad V kompresoru je kotiuálě stlačová objemový tok vzduchu [m 3.s- ] o teplotě 20 [ C] a tlaku 0, [MPa] a tlak 0,7 [MPa]. Vypočtěte objemový tok vzduchu vystupujícího z kompresoru, jeho teplotu a příko

Více

10.2.3 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI

10.2.3 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI Středí hodoty Artmetcý průměr vážeý Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI Zatím jsme počítal s tím, že četost ve vztahu pro vážeý artmetcý průměr byla přrozeá čísla Četost mohou

Více

3. cvičení 4ST201 - řešení

3. cvičení 4ST201 - řešení cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 - řešeí Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry

Více

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem.

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem. HYPTEČNÍ ÚVĚR Spláceí úvěru stejým splátkam - kostatí auta ÚLHA 1: Mladý maželský pár s dostačujícím příjmy (tz. a získáí hypotéčího úvěru) se rozhodl postavt s meší rodý domek. Podle předběžé kalkulace

Více

Charakteristiky úrovně

Charakteristiky úrovně Charaterty úrově Měřeí úrově Úroveň (poloha) je jedou ze záladích vlatotí tattcých dat, v úrov e mohou tattcá data lšt ebo aopa hodovat. Výzačé hodoty varačí řady ejou ctlvé a změu jedotlvých hodot Medá

Více

Úvod do zpracování měření

Úvod do zpracování měření Laboratorí cvičeí ze Základů fyziky Fakulta techologická, UTB ve Zlíě Cvičeí č. Úvod do zpracováí měřeí Teorie chyb Opakujeme-li měřeí téže fyzikálí veličiy za stejých podmíek ěkolikrát za sebou, dostáváme

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

3. cvičení 4ST201. Míry variability

3. cvičení 4ST201. Míry variability cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry varablty

Více

1. Rozdělení četností a grafické znázornění Předpokládejme, že při statistickém šetření nás zajímá jediný statistický znak x, který nabývá

1. Rozdělení četností a grafické znázornění Předpokládejme, že při statistickém šetření nás zajímá jediný statistický znak x, který nabývá Statitická šetřeí a zpracováí dat Statitika e věda o metodách běru, zpracováí a vyhodocováí tatitických údaů. Statitika zkoumá polečeké, přírodí, techické a. evy vždy a dotatečě rozáhlém ouboru údaů. Matematická

Více

PŘÍKLAD NA VÁŽENÝ ARITMETICKÝ PRŮMĚR Z INTERVALOVÉHO ROZDĚLENÍ ČETNOSTI

PŘÍKLAD NA VÁŽENÝ ARITMETICKÝ PRŮMĚR Z INTERVALOVÉHO ROZDĚLENÍ ČETNOSTI PŘÍKLAD NA VÁŽENÝ ARITMETICKÝ PRŮMĚR Z INTERVALOVÉHO ROZDĚLENÍ ČETNOSTI Přílad 0.6 Pracoví, terý spravuje podovou databáz, eportoval do tabulového procesoru všechy pracovíy podu Alfa Blatá s ěterým sledovaým

Více

SP2 Korelační analýza. Korelační analýza. Libor Žák

SP2 Korelační analýza. Korelační analýza. Libor Žák Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet

Více

FLUORIMETRIE. Jan Fähnrich. Obecné základy

FLUORIMETRIE. Jan Fähnrich. Obecné základy FLUORIMETRIE Ja Fährch Obecé základ Fluormetre je aaltcká metoda vužívající schopost ěkterých látek vsílat (emtovat) po předchozím převedeí do vzbuzeého (exctovaého) stavu fluorescečí zářeí v ultrafalové

Více

Univerzita Pardubice. Fakulta ekonomicko-správní

Univerzita Pardubice. Fakulta ekonomicko-správní Uverzta Pardubce Fakulta ekoomcko-správí Regresí aalýza vývoje mě Vsegrádské čtyřky vůč euru od roku 993 Pavel Šálek Bakalářská práce 00 Prohlašuj: Tuto prác jsem vypracoval samostatě. Veškeré lterárí

Více

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2 Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z

Více

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzt Krlov v Prze Pegogcká kult SEMINÁRNÍ PRÁCE Z POLYNOMICKÉ ALGEBRY POLYNOM 00/00 CIFRIK Záí: Vyšetřete všem probrým prostřeky polyom 0 0 Vyprcováí: Pole věty: Rcoálí kořey. Nechť p Q je koře polyomu

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

cenný papír, jehož koupí si investor zajistí předem definované peněžní toky, které obdrží v budoucnosti

cenný papír, jehož koupí si investor zajistí předem definované peněžní toky, které obdrží v budoucnosti DLUHOPISY ceý papír, jehož koupí si ivestor zajistí předem defiovaé peěží toky, které obdrží v budoucosti podle doby splatosti ~ 1 rok dlouhodobé dluhopisy Pokladičí poukázky

Více

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2 SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

Více

Soustava kapalina + tuhá látka Izobarický fázový diagram pro soustavu obsahující vodu a chlorid sodný

Soustava kapalina + tuhá látka Izobarický fázový diagram pro soustavu obsahující vodu a chlorid sodný Soustv kpl + tuhá látk Izobrcký fázový dgrm pro soustvu obshující vodu chlord sodý t / o C H 2 O (s) + esyceý roztok 30 20 10 0-10 -20 t I t II esyceý roztok 2 1 p o NCl (s) + syceý roztok eutektcký bod

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

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

Univerzita Pardubice Fakulta ekonomicko-správní

Univerzita Pardubice Fakulta ekonomicko-správní Uverzta Pardubce Fakulta ekoomcko-správí ANALÝZA TRESTNÝCH ČINŮ PROTI ŽIVOTU A ZDRAVÍ V ČR Moka Papoušková Bakalářská práce 00 Prohlášeí Prohlašuj, že jsem tuto prác vypracovala samostatě. Veškeré lterárí

Více

Téma 4: Výběrová šetření

Téma 4: Výběrová šetření Výběrová šetřeí Téma : Výběrová šetřeí Předáška Výběrové charaktertky a jejch rozděleí Výzam a druhy výběrového šetřeí tattcké šetřeí úplé vyčerpávající eúplé výběrové výběrové šetřeí aha o to aby výběrový

Více

Stavíme reproduktorové

Stavíme reproduktorové Í ª3³»» ±¼«µ ± ±ª7 ±«ª ø ÎÒÜ ò Þ± «³ Í#µ± Î ¼ ± ³ 7 µ7 µ ª ª ±¾ ± (»¾²3 8?¾ ª²3»»µ ±² ó µ ±«ª» ² 8²7³ & «³«ò Ö» ± ½» ±½ ±» ²7 ª»¼»³ µ ¼± «²± (3 «²7 ± ¾± 3 ª ±¾½ ±¼²3 3 ò X ª¾ «²»ó '» ±«(»¼4²±»µ ª ±«²»²?ª

Více

Jednoduchá lineární závislost

Jednoduchá lineární závislost Jedoduchá leárí závlot Regreí fuce: ),...,, ( 0 m f Předpolad: Fuce je leárí v parametrech: ) (... ) 0 ( 0 f f m m f 0 ()... f m () regreor 0... m regreí parametr určujeme METODOU NEJMENŠÍCH ČTVERCŮ Regreí

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,

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 zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí

Více

elektrické filtry Jiří Petržela základní pojmy

elektrické filtry Jiří Petržela základní pojmy Jiří Petržela základí ojmy základí ojmy z oblati elektrických filtrů základí ojmy elektrický filtr je lieárí dvojbra, který bez útlumu roouští je určité kmitočtové ložky, které obahuje vtuí igál rouštěé

Více

1 3VYSOK 0 9 0 7KOLA EKONOMICK 0 9 V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravd їpodobnosti STATISTIKA VZORCE PRO 4ST201

1 3VYSOK 0 9 0 7KOLA EKONOMICK 0 9 V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravd їpodobnosti STATISTIKA VZORCE PRO 4ST201 3VYOK 9 7KOLA EKONOMICK 9 V PRAZE FAKULTA INFORMATIKY A TATITIKY Kaedra a a ravd їodobo TATITIKA VZORCE PRO 4T verze 3. oled aualzace: 6..5 KTP 5 3Po aa =,,..., P P zp z P,5 z, 5 z H H H G G...... R =

Více

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

jsou varianty znaku) b) při intervalovém třídění (hodnoty x Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém

Více

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

Více

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl:

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl: 9 ÁHODÉ VÝBĚR A JEJICH ZPRACOVÁÍ Čas ke studu katol: 30 mut Cíl: Po rostudováí tohoto odstavce budete rozumět ojmům Základí soubor, oulace, výběr, výběrové šetřeí, výběrová statstka a budete zát základí

Více

OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ

OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ Ja Morávka Třiecký ižeýrig, a.s. Abstract Příspěvek popisuje jede přístup k optimálí filtraci metalurgických sigálů pomocí růzých

Více

Nejistoty v mìøení III: nejistoty nepøímých mìøení

Nejistoty v mìøení III: nejistoty nepøímých mìøení Nestoty v ìøeí III: estoty epøíých ìøeí MÌØIÍ TEHNIK V èácích [] a [] by podá pøehed soèasých ázorù a probeatk estot v ìøeí obecì a pøedstave zpùsob výpoèt estot pø éì ároèých pøíých ìøeích. Teto tøetí

Více

sin n sin n 1 n 2 Obr. 1: K zákonu lomu

sin n sin n 1 n 2 Obr. 1: K zákonu lomu MĚŘENÍ INDEXU LOMU REFRAKTOMETREM Jedou z charakteristických optických veliči daé látky je absolutím idexu lomu. Je to podíl rychlosti světla ve vakuu c a v daém prostředí v: c (1) v Průchod světla rozhraím

Více

IV. NEJISTOTY MENÍ A ZPRACOVÁNÍ VÝSLEDK

IV. NEJISTOTY MENÍ A ZPRACOVÁNÍ VÝSLEDK IV. NEJISTOTY MENÍ A ZPRACOVÁNÍ VÝSLEDK Meí patí mez základí zpsoby získáváí kvattatvích formací o stav sledovaé vely. 4. Chyby meí Nedokoalost metod meí, ašch smysl, omezeá pesost mcích pístroj, promé

Více

Měřící technika - MT úvod

Měřící technika - MT úvod Měřící techika - MT úvod Historie Už Galileo Galilei zavádí vědecký přístup k měřeí. Jeho výrok Měřit vše, co je měřitelé a co eí měřitelým učiit platí stále. - jedotá soustava jedotek fyz. veliči - símače

Více

u, v, w nazýváme číslo u.( v w). Chyba! Chybné propojení.,

u, v, w nazýváme číslo u.( v w). Chyba! Chybné propojení., Def: Vetorovým součiem vetorů u =(u, u, u 3 ) v = (v, v, v 3 ) zýváme vetor u v = (u v 3 u 3 v, u 3 v u v 3, u v u v ) Vět: Pro vetory i, j, ortoormálí báze pltí i i = j = i, i = j Vět: Nechť u v, w, jsou

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

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

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

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

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

Statistické zpracování dat

Statistické zpracování dat Bakoví sttut vysoká škola Praha Katedra IT Statstcké zpracováí dat Bakalářská práce Autor: Ja Culka Iformačí techologe, Maaţer projektů Vedoucí práce: Mgr. Olga Procházková Praha Červe, 00 Prohlášeí: Prohlašuj,

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

Test hypotézy o parametru π alternativního rozdělení příklad

Test hypotézy o parametru π alternativního rozdělení příklad Test hypotézy o parametru π alterativího rozděleí příklad Podik předpokládá, že o jeho ový výrobek bude mít zájem 7 % osloveých domácostí. Proběhl předběžý průzkum, v ěmž bylo osloveo 4 áhodě vybraých

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

FINANČNÍ MATEMATIKA SBÍRKA ÚLOH

FINANČNÍ MATEMATIKA SBÍRKA ÚLOH FINANČNÍ MATEMATIKA SBÍRKA ÚLOH Zpracováo v rámci projektu " Vzděláváí pro kokureceschopost - kokureceschopost pro Třeboňsko", registračí číslo CZ.1.07/1.1.10/02.0063 Gymázium, Třeboň, Na Sadech 308 Autor:

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

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

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

a) Hypotézy o parametru jedné populace (o stední hodnot, mediánu, rozptylu, relativní

a) Hypotézy o parametru jedné populace (o stední hodnot, mediánu, rozptylu, relativní TESTOVÁNÍ HYPOTÉZ a ke tudu kaptoly: 8 mut Cíl Po protudováí tohoto odtavce budete: zát základí pojmy a prcpy tetováí hypotéz zát kocepc klackého tetu umt rozhodovat pomocí tého tetu výzamot umt pooudt

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 3. ÚKOL JB TEST 3. Úkol zadáí pro statistické testy U každého z ásledujících testů uveďte ázev (včetě autora), předpoklady použití, ulovou

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

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

Závislost slovních znaků

Závislost slovních znaků Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví

Více

Úvod do lineárního programování

Úvod do lineárního programování Úvod do lieárího programováí ) Defiice úlohy Jedá se o optimalizaí problémy které jsou popsáy soustavou lieárích rovic a erovic. Kritéria optimalizace jsou rovž lieárí. Promé v této úloze abývají reálých

Více

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D. MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...

Více

,6 32, ,6 29,7 29,2 35,9 32,6 34,7 35,3

,6 32, ,6 29,7 29,2 35,9 32,6 34,7 35,3 Př 7: S 95% polehlivotí odhaděte variabilitu (protředictvím odhadu měrodaté odchylky) a tředí hodotu obahu vitamíu C u rajčat. Záte-li výledky rozboru 0-ti vzorků rajčat: 3 4 5 6 7 8 9 0 9,6 3,4 30 3,6

Více