Biostatistika základní kurz
|
|
- Marek Musil
- před 4 lety
- Počet zobrazení:
Transkript
1 Lékařská a Přírodovědecká fakulta, Masarykova univerzita Biostatistika základní kurz
2 BioStatistika na Přf a LF MU
3 Centrum biostatistiky a analýz Pracoviště specializované na analýzu biologických dat Výuka analýzy biologických dat řada kurzů Kontakt: Ladislav Dušek dusek@cbamunicz Jiří Jarkovský jarkovsky@cbamunicz
4 Kurz biostatistiky Sada přednášek pokrývajících základní oblasti analýzy biologických dat, zejména z praktického hlediska: Způsoby ukládání dat, typy dat a jejich statistický popis Hypotézy o datech a jejich testování Vztahy proměnných a jejich statistické hodnocení Predikce a příčinné vztahy proměnných Grafické zobrazení dat a výsledků analýz Příklady aplikace na reálných datech Přehled základních statistických SW Složitější metody statistické analýzy přehled metod Cyklus přednášek ukončen zkouškou Písemná zkouška příklady Zaměřeno na postup řešení, číselný výsledek méně významný
5 1 Data a informace
6 BIOSTATISTIKA - BIOMETRIKA Věda zabývající se hodnocením biologických dat = záznamů o biologických systémech a jejich chování Malá data Velká data Obrovská data Umění prodat Umění pochopit Umění uchopit
7 Opakování DATA ukázka uspořádání datového souboru Parametry (znaky) p Pacient Clovek aleu aty% ase% aneu% aly% aty ase aneu aly ahtc aclsk aclneus acloz cell1 6 / % % % % cell1 6 / cell1 6 / cell1 6 / cell1 6 / % mvs1 3 mvs1 3 mvs , ,6 4,4 5, 1, ,1 2,1 2,2 1, , ,3 3,6 3,9 2, , ,2 5,9 6,1, , ,9 3,3 4,1 1, ,4 6, 7,4, , ,3 6,9 7,2 2, ,6 4, 4,6 1, , ,1 1,8 2, 1, , ,4 2,3 2,7 1, , ,1 4,9 5, 1, , ,1 3,9 3,9 2, , ,6 5,7 6,3 2, , ,7 5,3 6, 3, , ,2 1,2 1,5, , ,3 7,7 8,, ,1 4, 4,1, , , 6,3 7,3 1, , , ,2 6,1 6,3 2, , , ,7 8,3 9,, , , ,1 7,2 7,3 2, , , ,1 5,6 5,8 1, , , ,1 5,9 6, 2, , , ,1 8,8 8,9, , , ,1 3,7 3,8 1, , , ,1 6,1 6,2 5, , , ,2 3,8 4, 2, , , ,9 5,4 9,3, , , ,6 6,4 9, 1, , , ,2 13,9 14,1 2, , , ,8 7,2 8,, , 52 aclneuo mvs ,9 12,2 9 16,9 1,9 9,6 12,6 8,5 8,4 15,5 11,4 7 8,4 6,5
8 p BIOSTATISTIKA - BIOMETRIKA Pacient Clovek aleu aty% ase% aneu% aly% aty ase aneu aly ahtc aclsk aclneus acloz aclneuo cell1 6 / % % % % cell1 6 / cell1 6 / cell1 6 / cell1 6 / % mvs1 3 mvs1 3 mvs1 3 mvs , ,6 4,4 5, 1, ,1 2,1 2,2 1, , ,3 3,6 3,9 2, , ,2 5,9 6,1, , ,9 3,3 4,1 1, ,4 6, 7,4, , ,3 6,9 7,2 2, ,6 4, 4,6 1, , ,1 1,8 2, 1, , ,4 2,3 2,7 1, , ,1 4,9 5, 1, , ,1 3,9 3,9 2, , ,6 5,7 6,3 2, , ,7 5,3 6, 3, , Data 34,2 1,2 1,5, , ,3 7,7 8,, ,1 4, 4,1, , , 6,3 7,3 1, , , , ,2 6,1 6,3 2, , , , ,7 8,3 9,, , , ,1 7,2 7,3 2, , , , ,1 5,6 5,8 1, ,8 63 1, , ,1 5,9 6, 2, ,9 57 9, , ,1 8,8 8,9, , , , ,1 3,7 3,8 1, ,1 32 8, , ,1 6,1 6,2 5, ,4 52 8, , ,2 3,8 4, 2, , , , ,9 5,4 9,3, , , , ,6 6,4 9, 1, , , ,2 13,9 14,1 2, , , , ,8 7,2 8,, , 52 6, Schopnost: vidět data komunikovat interpretovat - prodávat
9 BIOSTATISTIKA - BIOMETRIKA Věda zabývající se variabilitou Variabilita opakovaných měřm ěření Variabilita znaku v populaci chyba Data 2,1 2,8 3,2 1,2 5,2 2,9 165 cm 14 cm 182 cm 163 cm rozptyl znaku, přirozená variabilita Variabilita modelovaných dat Variabilita časových řad Variabilita ve skladbě biologických ch společenstev enstev y y DRUH 1 DRUH 2 DRUH 3 DRUH chyba = nepřesnost modelu x čas fluktuace, časová proměnlivost biodiverzita
10 Pojem VARIABILITA má mnoho významů a ty určují přístup k jejímu hodnocení Maskování a minimalizace vlivu Respektování a odhadování vlivu Přímé využití k predikcím chování systému
11 Variabilita = základ biologického principu neurčitosti existuje pravděpodobnost výskytu jevů (nedeterministické závěry) vše je možné : pouze jev s pravděpodobností nikdy nenastane pravděpodobnost lze zkoumat retrospektivně i prospektivně pravděpodobnost výskytu ϕ(x) plocha = pravděpodobnost výskytu x počet chlapců v rodině s X dětmi výška postavy x
12 BIOSTATISTIKA - BIOMETRIKA Věda přinášející novou kvalitu Popisná analýza dat ( exploratorní analýzy) Data mining ( investigativní analýzy) Srovnávací analýzy, testy hypotéz Experimentální plány ( experimental design ) QA/QC Stochastické modelování, hodnocení prognóz Vícerozměrné analýzy, pattern recognition Analýza biodiverzity (species community associations, ) Analýza časových řad, analýzy trendů Analýza biomedicínských dat
13 Experimentální design: nezbytná výbava biologa Účel analýzy: Popisný cílová populace? Reprezentativnost Spolehlivost výběr dle optimálního plánu VÝSLEDKY reprezentativní vzorek n jedinců (faktor F) měření znaku variabilita hodnot ve výběrovém souboru ZÁVĚRY (reprezentativnost, spolehlivost)? Přesnost analyzovaný znak cílové populace (X) jiný významný faktor charakterizující cílovou populaci (F)
14 Experimentální design: nezbytná výbava biologa Účel analýzy: Srovnávací (2 ramena) cílová populace výběr subjektů pro vstup do hodnocení / studie RANDOMIZACE vzájemně srovnatelné vzorky (faktor F) rameno A variabilita hodnot X v rameni A měření znaku X VÝSLEDKY rameno B variabilita hodnot X v rameni B ZÁVĚRY (rozlišovací schopnost, rozdíl ramen A x B, srovnatelnost ramen, reprezentativnost)? analyzovaný znak cílové populace (X) jiný významný faktor charakterizující cílovou populaci (F)? Srovnatelnost Spolehlivost Přesnost
15 Stochastické modelování: predikce neurčitých jevů Prospektivně modelově - postihuje chování jevů při respektování variability
16 Stochastické modelování: predikce neurčitých jevů 1, 1, Age = 55 years Osa Y Predikovaná pravděpodobnost podobnost,8,6,4,2,8,6,4,2 P =8 P =4, -4, -2,, 2, 4,, Osa X Parametr nebo kombinace parametrů Data konkrétn tních pacientů (subjektů) k přímému p mu hodnocení
17 Pravděpodobnostní prediktivní modely Maligní lymfomy: Pravděpodobnost časného relapsu Stádium I - II Stádium III - IV Estimated probability of early relapse M/(A+5) =1 P = Ratio M / (A + 5) Regression 95% confid M/(A+5) =15 Index Mitosis / (Apoptosis + 5) P =5 Grade = 2 Grade = 1 Regression 95% confid Schopnost: vytvářet prakticky využitelné nástroje
18 Vícerozměrné vnímání skutečnosti nová kvalita analýzy dat x1 x2 x1 skupina 1 skupina 2 Vícerozměrný rný systém x2 n x1 x2 Klasická jednorozměrn rná analýza skup 1 skup 2 skup 1 skup 2
19 Biologové analýzou dat proti variabilitě nebojují! VARIABILITA? CHYBA INFORMACE
20 Běžná sumarizace dat likviduje individualitu jedince? Průměr ± SE BĚŽNÁ STATISTICKÁ SUMARIZACE Zpřehlednění dat Neodliší původní měření
21 Vícerozměrné hodnocení s ohledem na individualitu! X 2 X 3 X p X 3 X p W X 3 X p X 1 X 2 X 2 X 1 X 1
22 Vícerozměrné hodnocení nová kvalita Pouze kombinované parametry mají odpovídaj dající informační sílu X 2 B B B B B B B B B A B B B B A B B B A A A A B B B B A A A B A A B A A A A A A A A A X 1 příklad: X1 =
23 Vícerozměrné hodnocení vychází z jednoduchých principů X 2 příklad: vícerozmv cerozměrná vzdálenost měřm ěření mezi dvěma objekty (body) X 22 2 c = a 2 + b 2 2 b = x 22 -x 21 = d 2 X 21 1 a = x 12 -x 11 = d 1 X 1 X 11 X 12
24 Vícerozměrné modelování je strategickou disciplínou X 1 X n technické parametry automobilu X n+1 X p řidičovy schopnosti a jeho stav X p+1 X 2 rychlost, povrch, situace X 1 X 2 X 3 X 4 X 5 X p
25 2 Data a jejich prezentace základ statistické analýzy
26 Zásady pro ukládání dat Správné a přehledné uložení dat je základem jejich pozdější analýzy Je vhodné rozmyslet si předem jak budou data ukládána Pro počítačové zpracování dat je nezbytné ukládat data v tabulární formě Nejvhodnějším způsobem je uložení dat ve formě databázové tabulky Každý sloupec obsahuje pouze jediný typ dat, identifikovaný hlavičkou sloupce (např rozepsané taxonomické zařazení, abundance, místo a vlastnosti odběru atd) Taxon Abundance Lokalita etc Takto uspořádaná data je v tabulkových nebo databázových programech možné převést na libovolnou výstupní tabulku
27 Grafická prezentace dat - umění komunikace 1 Výskyt kategorií (1, 2, 3,) Koláčový (výsečový) graf Absolutní počty Sloupcový graf Řada2 2 Vývoj hodnot (v čase) Y vs X (t) % Sloupcový graf Řada2 4% 3% 1 2 3% % 3% 3% Spojnicový graf Řada Bodový graf Řada Plošný graf Řada2 3 Y Y Y X X X
28 Grafická prezentace dat umění komunikace 3 Vztahy mezi proměnnými - korelace Bodový - korelační diagram Bodový - korelační diagram X1 3 Řada2 X1 3 Řada2 AGE LN_CRP X X2 CD56 X1 3 Řada2 X1 3 Řada2 CD CD X X2
29 Grafická prezentace dat umění komunikace 4 Kvantitativní hodnoty parametru(ů) - X - v rámci kategorií A, B, C Krabicový graf Sloupcový graf X 4 Řada2 X 1 Řada2 X 1 Řada A B C A B C A B C 5 Histogram
30 Grafická prezentace dat - umění komunikace 6 Zviditelnění primárních dat x 1 x 2 x 3 n
31 Grafická prezentace dat umění komunikace 7 Vztahy mezi proměnnými - interakce dvou parametrů, reakční plochy
32 Grafická prezentace dat umění komunikace 8 Grafické zviditelnění má nekonečně mnoho možností BUNKY2 BUNKY1 ENZYM2-1 BUNKY2 BUNKY1 ENZYM ENZYM1 Case 1 Case 2 Case 3 Case 4 Case 5 Case 6 Case 7 Case 8 Case 9 Case 1 Case 11 Case 12 Case 13 Case 14 Case 15 Case 16 Case 17 Case 18 Case 19 Case 2 Case 21 Case 22 Case 23 Case 24 Case 25 Case 26 Case 27 Case 28 Case 29 Case 3 Case 1 Case 2 Case 3 Case 4 Case 5 Case 6 Case 7 Case 8 Case 9 Case 1 Case 11 Case 12 Case 13 Case 14 Case 15 Case 16 Case 17 Case 18 Case 19 Case 2 Case 21 Case 22 Case 23 Case 24 Case 25 Case 26 Case 27 Case 28 Case 29 Case 3 ENZYM Case 1 Case 11 Case 12 Case 13 Case 14 Case 15 Case 16 Case 17 Case 18 Case 19 Case 2 Case 21 Case 9 Case 8Case Case Case 22 Case 23Case 24 Case 25 Case Case 4 7 Case 26 Case 3 8 Case 27 Case 2 9 Case 28 Case 1 Case 3 Case 29 BUNKY2 BUNKY1 ENZYM2 Case 1 Case 11 Case 12 Case 13 Case 14 Case 15 Case 16 Case 17 Case 18 Case 19 Case 2 Case 21 Case 9 Case 8Case 7 Case 6 Case 5 Case 4 Case 3 Case Case 22 Case 23Case 24 Case 25 Case 26 Case 27 Case 28 Case 1 Case 3 Case 29 BUNKY2 BUNKY1 ENZYM2 BUNKY2 BUNKY1 ENZYM Stacked Plot (DISKRIMSTA 7v*3c) Case 1 Case 2 Case 3 Case 4 Case 5 Case 6 Case 7 Case 8 Case 9 Case 1 Case 11 Case 12 Case 13 Case 14 Case 15 Case 16 Case 17 Case 18 Case 19 Case 2 Case 21 Case 22 Case 23 Case 24 Case 25 Case 26 Case 27 Case 28 Case 29 Case 3
33 Nesprávné užití grafů - problém rozsahu číselné osy
34 Nesprávné užitígrafů - grafické zastírání trendu
35 Nesprávné užitígrafů - problém standardizace hodnot
36 Grafy zaměřené na vícerozměrné soubory dokáží zviditelnit i veliké soubory dat
37 3 JAK vznikají informace
38 Primárním důvodem analýzy dat je získání nezkreslené a přehledné INFORMACE Ukázka uspořádaného datového souboru cislo stadium vek tran1_3 tran1_4 tran1_5 tran1_6 alb_pbsct ldh_vstup sternum typ_myel IgG IgG IgG IgG B-J IgA IgG IgG IgG Primární data IgG B-J IgG IgG B-J B-J B-J IgG B-J IgA Sumarizace v jedné skupině ( one-sample ) ve dvou skupinách ( two-sample ) ve více skupinách ( multiple sample )
39 JAK vznikají informace? základní pojmy Skutečnost Náhoda (vybere jednu z možností pokusu) Jev podmnožina všech možných výsledků pokusu/děje, o které lze říct, zda nastala nebo ne Pozorovatel Rozliší, co nastalo a) podle možností b) podle toho, jak potřebuje Jevové pole třída všech jevů, které jsme se rozhodli nebo jsme schopni sledovat Skutečnost + Jevové pole = Měřitelný prostor Experimentální jednotka - objekt, na kterém se provádí šetření Populace - soubor experimentálních jednotek Znak - vlastnost sledovaná na objektu Sledovaná veličina - číselná hodnota vyjadřující výsledek náhodného experimentu Znak se stává náhodnou veličinou, pokud se jeho hodnota zjišťuje vylosováním objektu ze základního souboru Výběr - výběrová populace - cílová populace Náhodný výběr Reprezentativnost
40 JAK vznikají informace? Empirical approach Classical approach Empirický postup f n 3 n = 1 f n 3 n = 5 f n 3 n = možné jevy: čísla 1 6 n počet hodů (opakování) U složitých stochastických systémů se pravda získá až po odvedení značného množství experimentální práce: musíme dát systému šanci se projevit
41 JAK vznikají informace? Empirický postup f n 3 n = 1 f n 3 n = 5 f n 3 n = možné jevy: čísla 1 6 n počet hodů (opakování) Při realizaci náhodného experimentu roste se zvyšujícím se počtem opakování pravdivá znalost systému (výsledky se stávají stabilnější) diskutabilní je ale ovšem míra zobecnění konkrétního experimentu
42 Empirický zákon velkých čísel Při opětovné nezávislé realizaci téhož náhodného experimentu se podíl výskytů sledovaného jevu mezi všemi dosud provedenými realizacemi zpravidla ustaluje kolem konstanty Pravděpodobnost je libovolná reálná funkce definovaná na jevovém poli A, která každému jevu A přiřadí nezáporné reálné číslo P(A) z intervalu - 1 A C B Ḋ P(A) A 1 P (A) = 1 jev jistý P (A) = jev nemožný P (A B) = P (A) P (B) nezávislé jevy P (A B) = P (A) P (B/A) závislé jevy Z praktického hlediska je pravděpodobnost idealizovaná relativní četnost P (A / B) = P (A B) / P (B) podmíněná pravděpodobnost
43 4 Základní typy dat
44 Jak vznikají informace? různé typy dat znamenají různou informaci Data poměrová Kolikrát t? Data intervalová Data ordinální Data nominální O kolik? Větší,, menší? Rovná se? Spojitá data Kategoriální otázky Diskrétní data Otázky Ano/Ne Podíl hodnot větší/menší než specifikovaná hodnota? Procenta odvozené hodnoty Samotná znalost typu dat ale na dosažení informace nestačí
45 Jak vznikají informace? různé typy dat znamenají různou informaci Statistika středu Data poměrová Data intervalová PRŮMĚR Spojitá data Y = f Data ordinální MEDIÁN Data nominální MODUS Diskrétní data X
46 JAK vznikají informace? - opakovaná měření informují rozložením hodnot Y: frekvence - absolutní / relativní KOLIK se naměřilo y y A B C D E x I II III IV V x CO se naměřilo X: měřený znak Diskrétní data Spojitá data
47 Odvozená data Pozor na odvozené indexy Příklad I: Příklad II: Znak X: Hmotnost Znak Y: Plocha X: Průměrný počet výrobků v prodejně Y: Odhad prostoru průměrně nabízeného k vystavení výrobku průměr : (min - max) X: 1,2 : (1,15-1,24) + / - 3,8 % Y: 1,8 : (1,75-1,84) + / - 2,5 % X/Y =,667 : 1,15 1,84 1,24 1,75 ( - ) + / - 6,2 % Nová veličina má jinou šířku rozpětí než ty, ze kterých je odvozená
48 Jak vznikají informace? -frekvenční tabulka jako základní nástroj popisu DISKRÉTNÍ DATA Počty epizod pro n = 1 hemofiliků Primární data n = 1 Frekvenční sumarizace N: 1 dětí (hemofiliků) x: znak: počet krvácivých epizod za měsíc x n(x) p(x) N(x) F(x) 2,2 2,2 1 1,1 3,3 2 3,3 6,6 3 4,4 1 1, n(x) absolutní četnost x p(x) relativní četnost; p(x) = n(x) / n N(x) kumulativní četnost hodnot nepřevyšujících x; N(x) = Σ n(t) t x F(x) kumulativní relativní četnost hodnot nepřevyšujících x; F(x) = N(x) / n
49 Jak vznikají informace? -frekvenční sumarizace diskrétních dat Grafické výstupy z frekvenční tabulky n(x) p(x) x x N(x) F(x) x x
50 Jak vznikají informace? -frekvenční tabulka jako základní nástroj popisu SPOJITÁ DATA Příklad: x: koncentrace látky v krvi n = 1 pacientů Hodnoty pro n = 1 osob Primární data 1,21 1,48 1,56,31 1,21 1,33,33,21 1,32 1,11 n = 1 Frekvenční sumarizace n = 1 opakovaných měření (1 pacientů) x: koncentrace sledované látky v krvi (2 1 jednotek) interv d(l) n(l) n(l)/n N(x ) F(x ) <2, 4) 2 2,2 2 <4, 6) 2 1,1 3,3 <6, 8) 2 4,4 7,7 <8, 1) 2 3,3 1 1, d(l) šířka intervalu n(l) absolutní četnost n(l) / n intervalová relativní četnost N(x ) intervalová kumulativní četnost do horní hranice X F(x ) intervalová relativní kumulativní četnost do horní hranice X,2
51 Jak vznikají informace? -frekvenční sumarizace spojitých dat Histogram Výběrová distribuční funkce Plocha: n(l) / n x x f(x)= n(l) / n d(l) Intervalová hustota četnosti F(x) Intervalová relativní kumulativní četnost
52 Histogram = standardní nástroj zviditelnění spojitých dat Data X: 14,1; 8,4; 12,1; 18,2; 2,4; n Setřídění dat podle velikosti Kategorizace hodnot X - vytvoření intervalů Frekvenční tabulka 5 Histogram "Absolute frequency histogram" f(x) = n(i) d(i) "Relative frequency histogram" f(x) = n(i) / n d(i)
53 Spojitá data postup frekvenčních analýz Aktivita enzymu (X) I Utřídit podle velikosti II Rozdělit do intervalů o rozumné šířce III Vyhodnotit počty hodnot v jednotlivých intervalech - absolutní četnosti IV Vyhodnotit podíly (relativní četnosti) hodnot v jednotlivých intervalech V Grafické znázornění - histogram f(x) Aktivita Počet intervalů X: dán daty a hodnotitelem Šířka intervalů: pokud možno stejná
54 Počet zvolených tříd a velikost souboru určují kvalitu výstupu k = 1 tříd k = 5 tříd 1,5 2, 2,5 3, 3,5 4, 4,5 5, k = 2 tříd 2 1 1, 2, 3, 4, 5,
55 Histogram vyjadřuje tvar výběrového rozložení f(x) f(x) f(x) x f(x) x f(x) x x x
56 Příklad: věk účastníků vážných dopravních nehod Frekvence Frekvence po roce věku Správný histogram? Věk (roky) Správný histogram? Věk > 6 Věk (roky) f
57 Pojem ROZLOŽENÍ - příklad spojitých dat ϕ(x) Rozložení F(x) x Distribuční funkce Je - li dána distribuční funkce, je dáno rozložení x
58 Výběrové rozložení hodnot lze modelově popsat a definovat tak pravděpodobnost výskytu X f(x) ϕ(x) f(x) x ϕ(x) f(x) x ϕ(x) x
59 Distribuční funkce jako užitečný nástroj pro práci s rozložením ϕ(x) Plocha = relativní četnost x ϕ(x) d(x) = 1 F(x): Pravděpodobnost, že se X vyskytuje v intervalu M 1, F(x) P(X x) = Φ(x) = F(x") M x Φ(x) distribuční funkce P(X x) = ϕ(x) d(x) M Známe-li distribuční funkci, pak známe rozložení sledované veličiny Pro jakoukoli množinu hodnot (M) lze určit P, že X do této množiny patří
60 Jak vznikají informace? -frekvenční sumarizace spojitých dat Grafické výstupy z frekvenční tabulky spojitá data f(x) x Uspořádání čísel podle velikosti a konstrukce rozložení umožňuje pravděpodobnostní zařazení každé jednotlivé hodnoty 1 F(x) KVANTIL x X 1 ; X 9 ; X 5 ; X θ
61 Otázka: Jak velké musí být X, aby 5 % všech hodnot bylo nad ním? θ =,95 Pravděpodobnost x θ = (x,95) =? j(x) Hledáme: P(X x θ ) =,95 = θ 5 % F (xθ ) = θ X,95 x,95 Φ(x) Kvantil je číslo, jehož hodnota distribuční funkce je rovna P, pro kterou je kvantil definován Jakékoliv číslo na ose x je kvantilem
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi,
Více1. Statistická analýza dat Jak vznikají informace Rozložení dat
1. Statistická analýza dat Jak vznikají informace Rozložení dat J. Jarkovský, L. Dušek, S. Littnerová, J. Kalina Význam statistické analýzy dat Sběr a vyhodnocování dat je způsobem k uchopení a pochopení
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
VíceKontingenční tabulky v Excelu. Představení programu Statistica
ASTAc/01 Biostatistika 2. cvičení Kontingenční tabulky v Excelu Základní popisné statistiky Představení programu Statistica Import a základní popis dat ve Statistice, M. Cvanová I. Kontingenční tabulky
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VícePojem a úkoly statistiky
Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby
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
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceZpracování náhodného výběru. Ing. Michal Dorda, Ph.D.
Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní
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
VíceZáklady popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
Základy popisné statistiky Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi, výhodami, nevýhodami a vlastní sadou využitelných statistických metod -od binárních
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
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,
Více23. Matematická statistika
Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 23. Matematická statistika Statistika je věda, která se snaží zkoumat reálná data a s pomocí teorii pravděpodobnosti
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,
Víceanalýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
VícePřednáška III. Data, jejich popis a vizualizace. Náhodný výběr, cílová a výběrová populace Typy dat Vizualizace různých typů dat Popisné statistiky
Přednáška III. Data, jejich popis a vizualizace Náhodný výběr, cílová a výběrová populace Typy dat Vizualizace různých typů dat Popisné statistiky Opakování podmíněná pravděpodobnost Ω A A B B Jak můžu
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
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
VíceŠkály podle informace v datech:
Škály podle informace v datech: Různé typy dat znamenají různou informaci, resp. různé množství informace Data nominální Rovná se? x 1 = x 2 Data ordinální Větší, menší? x 1 < x 2 Data intervalová O kolik?
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
VíceZáklady biostatistiky
Základy biostatistiky Veřejné zdravotnictví 3.LF UK Viktor Hynčica Úvod se statistikou se setkáváme denně ankety proč se statistika začala používat ve zdravotnictví skupinový přístup k léčení celé populace
VíceStatistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží
Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Zdeněk Karpíšek Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky. Statistika je logická a přesná metoda, jak nepřesně
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
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
VíceCo je to statistika? Úvod statistické myšlení. Základy statistického hodnocení výsledků zkoušek. Petr Misák
Základy statistického hodnocení výsledků zkoušek Petr Misák misak.p@fce.vutbr.cz Co je to statistika? Statistika je jako bikiny. Odhalí téměř vše, ale to nejdůležitější nám zůstane skryto. (autor neznámý)
VíceMetody sociálních výzkumů. Velmi skromný úvod do statistiky. Motto: Jsou tři druhy lži-lež prostá, lež odsouzeníhodná a statistika.
Metody sociálních výzkumů Velmi skromný úvod do statistiky. Motto: Jsou tři druhy lži-lež prostá, lež odsouzeníhodná a statistika. Statistika Význam slova-vychází ze slova stát, s jeho administrativou
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceMe neˇ nezˇ minimum ze statistiky Michaela S ˇ edova KPMS MFF UK Principy medicı ny zalozˇene na du kazech a za klady veˇdecke prˇı pravy 1 / 33
1 / 33 Méně než minimum ze statistiky Michaela Šedová KPMS MFF UK Principy medicíny založené na důkazech a základy vědecké přípravy Příklad Studie syndromu náhodného úmrtí dětí. Dvě skupiny: Děti, které
VíceZáklady popisné statistiky
Základy popisné statistiky Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 8. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 26 Obsah 1 Základy statistického zpracování dat 2
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik
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.
Více5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceRenáta Bednárová STATISTIKA PRO EKONOMY
Renáta Bednárová STATISTIKA PRO EKONOMY ZÁKLADNÍ STATISTICKÉ POJMY Statistika Statistický soubor Statistická jednotky Statistický znak STATISTIKA Vědní obor, který se zabývá hromadnými jevy Hromadné jevy
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
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
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
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
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
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
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
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
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
Více7. SEMINÁŘ DESKRIPTIVNÍ STATISTIKA
7. SEMINÁŘ DESKRIPTIVNÍ STATISTIKA Oblasti využití statistiky v medicíně Zvládání variability Variabilita: biologická, podmínek, měřících přístrojů - hodnocení variability, variabilita náhodná x nenáhodná
VícePočet pravděpodobnosti
PSY117/454 Statistická analýza dat v psychologii Přednáška 4 Počet pravděpodobnosti Je známo, že když muž použije jeden z okrajových pisoárů, sníží se pravděpodobnost, že bude pomočen o 50%. anonym Pravděpodobnost
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
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
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
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
VíceStatistika. cílem je zjednodušit nějaká data tak, abychom se v nich lépe vyznali důsledkem je ztráta informací!
Statistika aneb známe tři druhy lži: úmyslná neúmyslná statistika Statistika je metoda, jak vyjádřit nejistá data s přesností na setinu procenta. den..00..00 3..00..00..00..00..00..00..00..00..00..00 3..00..00..00..00..00..00..00
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
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
VíceSTATISTICKÉ METODY; ZÍSKÁVÁNÍ INFORMACÍ Z DRUHOVÝCH A ENVIRONMENTÁLNÍCH DAT
STATISTICKÉ METODY; ZÍSKÁVÁNÍ INFORMACÍ Z DRUHOVÝCH A ENVIRONMENTÁLNÍCH DAT (NE)VÝHODY STATISTIKY OTÁZKY si klást ještě před odběrem a podle nich naplánovat design, metodiku odběru (experimentální vs.
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
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
Vícemarek.pomp@vsb.cz http://homel.vsb.cz/~pom68
Statistika B (151-0303) Marek Pomp ZS 2014 marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Cvičení: Pavlína Kuráňová & Marek Pomp Podmínky pro úspěšné ukončení zápočet 45 bodů, min. 23 bodů, dvě zápočtové
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
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
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VícePSY117/454 Statistická analýza dat v psychologii Přednáška 10
PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot
VíceStatistika. Základní pojmy a cíle statistiky. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Základní pojmy a cíle statistiky Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Statistika Pojmy a cíle
VíceSTATISTIKA 1. RNDr. K. Hrach, Ph.D. Zápočet: odevzdání seminární práce (úkoly na PC) Zkouška: písemná (bez kalkulačky, bez vzorců)
STATISTIKA 1 RNDr. K. Hrach, Ph.D. Zápočet: odevzdání seminární práce (úkoly na PC) Zkouška: písemná (bez kalkulačky, bez vzorců) STATISTIKA Činnost vedoucí k získávání dat Instituce zajišťující tuto činnost
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Základy zpracování dat chemometrie, statistika Doporučenáliteratura
VíceIII. Úplná pravděpodobnost. Nezávislé pokusy se dvěma výsledky. Úplná pravděpodobnost Nezávislé pokusy se dvěma výsledky Náhodná veličina
III Přednáška Úplná pravděpodobnost Nezávislé pokusy se dvěma výsledky Náhodná veličina Pravděpodobnost při existenci neslučitelných hypotéz Věta Mějme jev. Pokud H 1,H 2, : : :,H n tvoří úplnou skupinu
VíceÚvod do statistické metodologie
Přenos jakékoli části této prezentace mimo účastníky semináře je zakázán bez písemné dohody se StatSoft CR s.r.o. (Dell Software Group). Úvod do statistické metodologie 1. lékařská fakulta Univerzity Karlovy
VíceOrganizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika?
Organizační pokyny k přednášce Matematická statistika 2012 2013 Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hudecova@karlin.mff.cuni.cz http://www.karlin.mff.cuni.cz/
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
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
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
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
VícePřednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP
IV Přednáška Diskrétní náhodná proměnná Charakteristiky DNP Základní rozdělení DNP Diskrétní náhodná veličina Funkce definovaná na Ω, přiřazující každému elementárnímu jevu E prvky X(E) D R kde D je posloupnost
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 3 Jak a kdy použít parametrické a
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
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2009/2010 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceOtázky k měření centrální tendence. 1. Je dáno rozložení, ve kterém průměr = medián. Co musí být pravdivé o tvaru tohoto rozložení?
Otázky k měření centrální tendence 1. Je dáno rozložení, ve kterém průměr = medián. Co musí být pravdivé o tvaru tohoto rozložení? 2. Určete průměr, medián a modus u prvních čtyř rozložení (sad dat): a.
VíceANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.
ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz PŘEHLED TESTŮ rozdělení normální spojité alternativní / diskrétní
VíceDesign of Experiment (DOE) Petr Misák. Brno 2017
Navrhování experimentů Design of Experiment (DOE) Petr Misák Vysoké učení technické v Brně, Fakulta stavební, Ústav stavebního zkušebnictví Brno 2017 Úvod - Experiment jako nástroj hledání slavné vynálezy
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceSTATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a
VíceI. Příprava dat Klíčový význam korektního uložení získaných dat Pravidla pro ukládání dat Čištění dat před analýzou
I. Příprava dat Klíčový význam korektního uložení získaných dat Pravidla pro ukládání dat Čištění dat před analýzou Anotace Současná statistická analýza se neobejde bez zpracování dat pomocí statistických
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VícePopisná statistika kvantitativní veličiny
StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
Více