Obsah. 3 Testy z test z test t test t test 2s... 35
|
|
- Pavel Horáček
- před 8 lety
- Počet zobrazení:
Transkript
1 Obsah 1 Popisná statistika bas stat mean meansq sumsq median mode var std cov cor range iqr values sorted sorted neeq table moment Odhady z int t int t int 2s t int 2n t int 2p prop int prop int var int Testy z test z test t test t test 2s
2 3.5 t test 2n t test 2p var test var test prop test prop test chisquare test chisquare test h chisquare test i sign test wztest cor test spearman kendall ks test Analýza lin reg lin pred lin reg n lin pred n exp reg exp pred pol reg pol pred reg desc reg infe t test reg f test reg f test pred anova anova pca svd pca eig Dodatky 69
3 5.1 Typy rozdělení
4 1 Popisná statistika Popisná statistika slouží k popisu dat (datového souboru), která jsme naměřili formou výběru. Tato data vypovídají o sledovaném souboru, tj. procesu, který zkoumáme a chceme poznat. Příklad Sledujeme křižovatku a v jejích ramenech měříme vstupní intenzity. Měříme celý den po 90 vteřinách, tj. naměříme matici každé měření poskytne vektor délky 4. Přehled funkcí popisné statistiky bas_stat mean meansq sumsq median mode var std cov cor range iqr values sorted sorted_neeq table moment základní statistiky pro jeden soubor střední hodnota (průměr) průměr čtverců součet čtverců median modus výběrový rozptyl výběrová směrodatná odchylka kovariance korelační koeficient variační rozpětí mezikvartilové rozpětí jednotlivé hodnoty datového souboru uspořádání datového souboru - - do neekvidistantních intervalů kontingenční tabulka momenty datového souboru
5 1.1 bas stat [ bas.stat ] Počítá souhrnné statistiky pro jeden nebo dva datové soubory. Funkce vrací strukturu, v jejíž položkách jsou uloženy příslušné charakteristiky. Pro jeden datový soubor se počítá: ch.m ch.v ch.sd ch.mo ch.me střední hodnota rozptyl směrodatná odchylka modus medián Pro dva datové souubory se počítají předchozí cuarakteristiky a navíc: ch.n ch.c ch.r počet datových dvojic x,y kovariance korelační koeficient bas_stat(x) - statistiky pro jeden netříděný datový soubor bas_stat(xn) - statistiky pro jeden tříděný datový soubor bas_stat(x,y) - statistiky pro dva netříděné datové soubory P o z n á m k a: Netříděné datové soubory x, y se zadávají ve formě vektoru, tříděný souubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné.p Podívejte se na kód: bas_stat. Funkce bas_stat ve skutečnosti volá následující procedury bas_stat_1, bas_stat_2 a bas_stat_sort. Pro více informací si zobrazte jejich help, nebo klikněte, a uvidíte jejich celý kód.
6 1.2 mean [ mean ] Počítá průměr nebo vážený průměr datového souboru. mean(x) - průměr pro jeden netříděný datový soubor mean(xn) - průměr pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný souubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: průměr
7 1.3 meansq [ meansq ] Počítá průměr nebo vážený průměr z kvadrátů prvků datového souboru. meansq(x) - průměr kvadrátů pro jeden netříděný datový soubor meansq(xn) - průměr kvadrátů pro jeden tříděný datový soubor P o z n á m k a: Netříděné datový soubor x se zadává ve formě vektoru,tříděný souubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: průměr čtverců
8 1.4 sumsq [ sumsq ] Počítá součet nebo vážený součet z kvadrátů prvků datového souboru. sumsq(x) - součet kvadrátů pro jeden netříděný datový soubor sumsq(xn) - součet kvadrátů pro jeden tříděný datový soubor P o z n á m k a: Netříděné datový soubor x se zadává ve formě vektoru, tříděný souubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: součet čtverců
9 1.5 median [ median ] Počítá median z prostého nebo tříděného datového souboru. median(x) - median pro jeden netříděný datový soubor median(xn) - median pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: median
10 1.6 mode [ mode ] Počítá modus z prostého nebo tříděného datového souboru. mode(x) - modus pro jeden netříděný datový soubor mode(xn) - modus pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: modus
11 1.7 var [ var ] Počítá výběrový rozptyl z prostého nebo tříděného datového souboru. var(x) - rozptyl pro jeden netříděný datový soubor var(xn) - rozptyl pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: rozptyl
12 1.8 std [ std ] Počítá výběrovou směrodatnou odchylku z prostého nebo tříděného datového souboru. std(x) - rozptyl pro jeden netříděný datový soubor std(xn) - rozptyl pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: směrodatná odchylka
13 1.9 cov [ cov ] Počítá výběrovou kovarianci z dvou prostých datových souborů. cov(x,y) - kovariance pro dva netříděné datové soubory P o z n á m k a: Netříděné datový soubor x se zadává ve formě vektoru. Vzorec: kovariance
14 1.10 cor [ cor ] Počítá výběrový korelační koeficient z dvou prostých datových souborů. cor(x,y) - kovariance pro dva netříděné datové soubory P o z n á m k a: Netříděné datový soubor x se zadává ve formě vektoru. Vzorec: korelační koeficient
15 1.11 range [ range ] Počítá variační rozpětí z prostého nebo tříděného datového souboru. range(x) - variační rozpětí pro jeden netříděný datový soubor range(xn) - variační rozpětí pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: variační rozpětí
16 1.12 iqr [ iqr ] Počítá mezikvartilové rozpětí z prostého nebo tříděného datového souboru. iqr(x) - mezikvartilové rozpětí pro jeden netříděný datový soubor iqr(xn) - mezikvartilové rozpětí pro jeden tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné. Vzorec: mezikvartilové rozpětí
17 1.13 values [ values ] Sestaví vektor různých hodnot z prostého datového souboru s opakujícími se prvky (např. pro x = [2, 3, 2, 2, 3, 3, 4, 3] dá vektor [2, 3, 4]. values(x,y) - různé hodnoty netříděného datového souboru P o z n á m k a: Netříděné datový soubor x se zadává ve formě vektoru.
18 1.14 sorted [ sorted ] Převede netříděný datový soubor na tříděný. Např. x = [2, 4, 2, 2, 4] xn.d = [2, 4], xn.n = [3, 2] sorted(x) - vstup: netříděný datový soubor; výstup: tříděný datový soubor P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné.
19 1.15 sorted neeq [ sorted.neeq ] Převede netříděný datový soubor bez opakujících se dat na tříděný. Pro třídění se zadávají intervaly. Procedura vrátí strukturu xn.d - středy zadaných intervalů; xn.n - počet dat, který do příslušného intervalu padl. sorted(x,h) - x je prostý výběr; h jsou hranice intervalů pro třídění. P o z n á m k a: Netříděný datový soubor x se zadává ve formě vektoru, tříděný soubor xn je struktura xn.d - vektor hodnot a xn.n - vektor četností. Jména proměnných jsou volitelná, přípony u struktury jsou povinné.
20 1.16 table [ table ] Vytvoří kontingenční tabulku z vektoru x a y. Např. x = [2, 4, 2, 2, 4], y = [1, 2, 2, 1, 4] table = x\y [t,x,y]=table(x,y) - vstup: vektory x a y; výstup: t je tabulka, X, Y jsou různé hodnoty vektorů x, y. P o z n á m k a: Vektory x, y musí mít stejnou délku.
21 1.17 moment [ moment ] Vypočte k-tý centrální nebo obecný moment. moment(x,k,opt) - vstup: x - datový soubor, k - stupeň momentu, opt - volba (o = obecný, c = centrální); výstup: příslušný moment
22 2 Odhady Uvažujeme náhodnou veličinu (soubor) v jejímž rozdělení figuruje neznámý parametr. Hodnotu tohoto parametru se snažíme odhadnout. Provedeme proto výběr a z něho odhadujeme parametr souboru. Odhad můžeme provést bud bodový, kdy odhadem je číslo, nebo intervalový, kdy odhadem je interval, ve kterém neznámý parametr leží s předepsanou pravděpodobností.
23 2.1 z int [ z.int ] Počítá interval spolehlivosti pro střední hodnotu při známém rozptylu souboru. is=z_int(x,v,alpha,alt) is interval spolehlivosti, x výběr, v známý rozptyl souboru, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Známý rozptyl souboru znamená, že jej známe bud přesně z fyzikální podstaty, nebo z dlouhodobé zkušenosti. Odhad, tj. výpočet, z výběru, se za znalost nepovažuje. Vzorec: odhad střední hodnoty
24 2.2 t int [ t.int ] Počítá interval spolehlivosti pro střední hodnotu při neznámém rozptylu souboru. is=t_int(x,alpha,alt) is interval spolehlivosti, x výběr, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Neznámý rozptyl souboru znamená, že jej vůbec neznáme nebo, že jsme ho odhadli, tj. vypočetli, z výběru. Vzorec: odhad střední hodnoty
25 2.3 t int 2s [ t.int.2s ] Počítá interval spolehlivosti pro dvě střední hodnoty, jestliže rozptyly obou souborů jsou přibližně stejně velké. is=t_int_2s(x1,x2,alpha,alt) is interval spolehlivosti, x1,x2 výběry, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Předpoklad stejných rozptylů obou souborů je dosti volný a znamená např., že výběrové rozptyly se neliší řádově. Vzorec: odhad dvou středních hodnot
26 2.4 t int 2n [ t.int.2n ] Počítá interval spolehlivosti pro dvě střední hodnoty, jestliže rozptyly obou souborů jsou různé. is=t_int_2n(x1,x2,alpha,alt) is interval spolehlivosti, x1,x2 výběry, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Předpoklad různých rozptylů obou souborů je dosti volný a znamená např., že výběrové rozptyly se liší více než řádově. Vzorec: odhad dvou středních hodnot
27 2.5 t int 2p [ t.int.2p ] Počítá interval spolehlivosti pro dvě střední hodnoty při párovém výběru. is=t_int_2n(x1,x2,alpha,alt) is interval spolehlivosti, x1,x2 výběry, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Předpoklad párového výběru říká, že z každého objektu měříme vždy po jedné hodnotě a ty spolu dále porovnáváme. Nikdy neporovnáváme hodnoty z různých měření. Vzorec: odhad dvou středních hodnot
28 2.6 prop int [ prop.int ] Počítá interval spolehlivosti pro podíl. is=t_int_2n(x,alpha,alt) is interval spolehlivosti, x.m počet příznivých výsledků, x.n počet všech výsledků, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Pro použití tohoto odhadu je třeba, aby výběr obsahoval alespoň 5 příznivých a 5 nepříznivých výsledků Vzorec: odhad podílu
29 2.7 prop int 2 [ prop.int.2 ] Počítá interval spolehlivosti pro rozdíl podíly dvou souborů. is=t_int_2n(x1,x2,alpha,alt) is interval spolehlivosti, x1.m,x2.m počty příznivých výsledků ve výběrech, x1.n,x2.n počty všech výsledků v jednotlivých výběrech, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. P o z n á m k a: Pro použití tohoto odhadu je třeba, aby výběr obsahoval alespoň 5 příznivých a 5 nepříznivých výsledků Vzorec: odhad dvou podílů
30 2.8 var int [ var.int ] Počítá interval spolehlivosti pro rozptyl souboru. is=t_int_2n(x,alpha,alt) is interval spolehlivosti, x počty příznivých výsledků ve výběrech, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. Vzorec: odhad rozptylu
31 3 Testy Test hypotézy se snaží popřít tvrzení nulové hypotézy ve prospěch alternativní hypotézy. Opírá se přitom o náhodný výběr. Postup testu je přibližně následující z výběru se spočte hodnota testové statistiky T, podle rozdělení statistiky se určí kritický obor W ; jeho směr určuje alternativní hypotéza, závěr: T W - nulová hypotéza se zamítá, T / W - nulovou hypotézu nelze zamítnout.
32 3.1 z test [ z.test ] Počítá test pro střední hodnotu souboru při známém rozptylu. pval=z_test(x,m,v,alt) pval p-hodnota, x výběr, m střední hodnota podle H0, alpha pravděpodobnost, alt alternativa: < levo, > pravo, <> obou. H 0 : střední hodnota souboru se rovná hodnotě m. Vzorec: odhad rozptylu
33 3.2 z test 2 [ z.test.2 ] Počítá test pro střední hodnoty dvou souboru při známých rozptylech obou souborů. pval=t_test_2(x,y,v_x,v_y,alt) pval p-hodnota, x,y výběry, x_x,y_y rozptyly souborů, alt alternativa: < levo, > pravo, <> obou. H 0 : střední hodnoty obou souborů se rovnají.
34 3.3 t test [ t.test ] Počítá test pro střední hodnotu souboru při neznámém rozptylu. pval=t_test(x,m,alt) pval p-hodnota, x výběr, m střední hodnota podle H0, alt alternativa: < levo, > pravo, <> obou. H 0 : střední hodnota souboru se rovná hodnotě m. P o z n á m k a: Za neznámý rozptyl se považuje i rozptyl, spočtený z výběru. Vzorec: odhad rozptylu
35 3.4 t test 2s [ t.test.2s ] Počítá test pro střední hodnoty dvou souborů při shodných rozptylech. pval=t_int_2s(x,y,alt) pval p-hodnota, x,y výběry, alt alternativa: < levo, > pravo, <> obou. H 0 : střední hodnoty obou souborů se rovnají. P o z n á m k a: Rozptyly souborů lze považovat za shodné, jestliže se prvky výběrů neliší řádově. Vzorec: odhad rozptylu
36 3.5 t test 2n [ t.test.2n ] Počítá test pro střední hodnoty dvou souborů při neshodných rozptylech. pval=t_int_2n(x,y,alt) pval p-hodnota, x,y výběry, alt alternativa: < levo, > pravo, <> obou. H 0 : střední hodnoty obou souborů se rovnají. P o z n á m k a: Rozptyly souborů lze považovat za shodné, jestliže se prvky výběrů neliší řádově. Vzorec: odhad rozptylu
37 3.6 t test 2p [ t.test.2p ] Počítá test pro střední hodnoty dvou souborů při párových výběrech. pval=t_int_2p(x,y,alt) pval p-hodnota, x,y výběry, alt alternativa: < levo, > pravo, <> obou. H 0 : střední hodnoty obou souborů se rovnají. P o z n á m k a: Předpoklad párového výběru říká, že z každého objektu měříme vždy po jedné hodnotě a ty spolu dále porovnáváme. Nikdy neporovnáváme hodnoty z různých měření. Vzorec: odhad rozptylu
38 3.7 var test [ var.test ] Počítá test pro rozptyl souboru. pval=var_test(x,v0,alt) pval p-hodnota, x výběry, xv0 rozptyl podle H0, alt alternativa: < levo, > pravo, <> obou. H 0 : rozptyl souboru se rovná hodnotě v0. Vzorec: odhad rozptylu
39 3.8 var test 2 [ var.test.2 ] Počítá test pro rozptyly dvou souborů souboru. pval=var_test_2(x,y,alt) pval p-hodnota, x,y výběry, alt alternativa: < levo, > pravo, <> obou. H 0 : rozptyly obou souborů jsou stejné - jejich podíl se rovná jedné. Vzorec: test rozptylu
40 3.9 prop test [ prop.test ] Počítá test pro podíl souboru. pval=prop_test(x,n,p0,alt) pval p-hodnota, x počet příznivých pokusů (nebo jejich poměr), n počet všech pokusů, p0 podíl příznivých podle H0, alt alternativa: < levo, > pravo, <> obou. H 0 : podíl souboru souborů se rovná p0. P o z n á m k a: Ve výběru musí být alespoň 5 jedniček a současně 5 nul. Vzorec: test podílu
41 3.10 prop test 2 [ prop.test.2 ] Počítá test pro podíl dvou souborů. pval=var_test_2(x1,n1,x2,n2,alt) pval p-hodnota, x1,x2 výběry, n1,n2 počty prvků výběrů, alt alternativa: < levo, > pravo, <> obou. H 0 : podíly obou souborů jsou stejné - jejich rozdíl je 0. P o z n á m k a: V každém výběru musí být alespoň 5 jedniček a současně 5 nul. Vzorec: odhad rozptylu
42 3.11 chisquare test [ chisquare.test ] Testy χ 2 jsou pojmenovány podle jejich typické statistiky, která má rozdělení χ 2 χ 2 = m (O i E i ) 2 E i=1 i kde O i jsou pozorované četnosti, tj. absolutní četnosti hodnot náhodné veličiny, pozorované na jednotlivých intervalech, O i jsou teoretické četnosti, tj. absolutní četnosti hodnot náhodné veličiny, se stejným počtem pozorování a s hodnotami, které přesně odpovídají nulové hypotéze, n je počet intervalů, ve kterých sledujeme hodnoty náhodné veličiny. Nejznámější z χ 2 -testů jsou: Test dobré shody, který testuje typ rozdělení Test nezávislosti, který testuje nezávislost dvou souborů.
43 3.12 chisquare test h [ chisquare.test.h ] Počítá χ 2 -test pro shodu rozdělení dvou souboru. pval=chisquare_test_h(x,y) pval=chisquare_test_h(x,y,c) pval p-hodnota, x,y výběry, (intervaly se určí automaticky) c hranice intervalů (nesmí být nulová četnost). H 0 : obě rozdělení jsou shodná. Vzorec: test shody
44 3.13 chisquare test i [ chisquare.test.i ] Počítá χ 2 -test pro ověření nezávislosti dvou souboru. pval=chisquare_test_i(x) pval p-hodnota, X tabulka pozorovaných četností H 0 : obě rozdělení jsou nezávislá. P o z n á m k a: Tabulka pozorovaných četností je kontingenční tabulka, udávající absolutní četnosti výskytu všech možných dvojic (x, y), kde x je z prvního a y druhého souboru. Vzorec: test nezávislosti
45 3.14 sign test [ sign.test ] Znaménkový test ověřuje hodnotu mediánu. pval=sign_test(x,y,alt) pval p-hodnota, x,y výběry, alt alternativa: < levo, > pravo, <> obou. H 0 : mediány obou souborů jsou shodné. P o z n á m k a: Test funguje tak, že je možno zadat dva výběry. Potom se porovnávají mediány těchto výběrů. Pokud se místo jednoho výběru zadá číslo, testuje se medián druhého souboru s touto zadanou hodnotou. Vzorec: zanaménkový test
46 3.15 wztest [ wztest ] Tento pořadový test ověřuje vzájemnou nezávislost prvků výběru (jako náhodných veličin). pval=wztest(x) pval p-hodnota, x výběr. H 0 : prvky výběru jsou nezávislé. P o z n á m k a: Pozor! Tento test je jiný než test pro ověření nezávislosti dvou souborů. Zde se ověřuje nezávislost náhodných veličin, které tvoří výběr. Použití je např. pro ověření nezávislosti reziduí při regresní analýze. Vzorec: test bělosti
47 3.16 cor test [ cor.test ] Tento test ověřuje nulovost korelačního koeficientu dvou souborů, a tedy nezávislost těchto souborů. pval=cor_test(x,y,alt,meth) pval p-hodnota, x,y výběry, alt alternativa: < levo, > pravo, <> obou, meth metoda: p - Pearson, s - Spearman, k - Kendall. H 0 : korelační koeficient je nulový - soubory jsou nezávislé. P o z n á m k a: Test počítá Pearsonovu metodu. Pro druhé dvě volby volá samostatné procedury kendall.m a spearman.m. Vzorec: Pearson, Spearman, Kendall.
48 3.17 spearman [ spearman ] Tento test ověřuje nulovost korelačního koeficientu dvou souborů. pval=spearman(x,y) pval p-hodnota, x,y výběry. H 0 : soubory jsou nezávislé. P o z n á m k a: Test lze volat také jako volbu procedury cor_test. Vzorec: Spearman.
49 3.18 kendall [ kendall ] Tento test ověřuje nulovost korelačního koeficientu dvou souborů. pval=kendall(x,y) pval p-hodnota, x,y výběry. H 0 : soubory jsou nezávislé. P o z n á m k a: Test lze volat také jako volbu procedury cor_test. Vzorec: Kendall.
50 3.19 ks test [ ks.test ] Tento test ověřuje typ rozdělení souboru. pval=ks_test(x,dist,par) pval p-hodnota, x výběry. dist typ rozdělení, par parametry rozdělení. H 0 : soubor má testovaný typ rozdělení. P o z n á m k a: Možné názvy rozdělení a jejich parametry jsou zde Vzorec: ks test.
51 4 Analýza
52 4.1 lin reg [ lin.reg ] Procedura počítá koeficienty p = [b 1, b 0 ] regresní přímky y = b 1 x + b 0. p=lin_reg(x,y) p koeficienty regresní přímky p = [b 1, b 0 ], x nezávisle proměnná, y závisle proměnná. Vzorec: koeficienty regresní přímky.
53 4.2 lin pred [ lin.pred ] Procedura počítá predikci nezávisle proměnné y z regresní přímky y = b 1 x + b 0. yp=lin_pred(x,p) yp x p predikce, nezávisle proměnná, parametry. Vzorec: predikce.
54 4.3 lin reg n [ lin.reg.n ] Procedura počítá koeficienty p = [b n,..., b 1, b 0 ] regresní přímky y = b n x n b 1 x 1 + b 0. p=lin_reg_n(x,y) p koeficienty regresní přímky p = [b 1, b 0 ], x y nezávisle proměnná (matice), závisle proměnná (vektor). P o z n á m k a: Proměnné x i y musí mít stejný počet vzorků. Vzorky y jsou čísla, vzorky x jsou vektory (řádky nebo sloupce matice x) o délce, odpovídající počtu parametrů. Na místo, kde čekáme konstantu modelu (absolutní člen) se dávají jedničky. Vzorec: vícenásobná regrese.
55 4.4 lin pred n [ lin.pred.n ] Procedura počítá predikci nezávisle proměnné y z regresní přímky y = b n x n b 1 x 1 + b 0. yp=lin_pred_n(x,p) yp x p predikce, nezávisle proměnná (matice), parametry. P o z n á m k a: Matice x může být zadána se vzorky v řádcích nebo i ve sloupcích. Algoritmus si ji sám upraví. Výsledek, tj. predikci, dá jako sloupcový vektor. Vzorec: predikce.
56 4.5 exp reg [ exp.reg ] Procedura počítá koeficienty p = [b 1, b 0 ] pro regresi pomocí exponenciály y = b 0 e b 1x. p=exp_reg(x,y) p koeficienty regresní exponenciály p = [b 1, b 0 ], x nezávisle proměnná, y závisle proměnná. Vzorec: koeficienty exponenciální regrese.
57 4.6 exp pred [ exp.pred ] Procedura počítá predikci nezávisle proměnné y z regresní exponenciály y = b 0 e b 1x. yp=lin_pred(x,p) yp x p predikce, nezávisle proměnná, parametry. Vzorec: exponenciální predikce.
58 4.7 pol reg [ pol.reg ] Procedura počítá koeficienty p = [b k, b 1, b 0 ] pro regresi pomocí polynomu y = b k x n +...+b 1 x+ b 0. p=pol_reg(x,y,k) p koeficienty regresního polynomu p = [b k, b 1, b 0 ], x nezávisle proměnná, y závisle proměnná, k stupeň polynomu. Vzorec: koeficienty polynomiální regrese.
59 4.8 pol pred [ pol.pred ] Procedura počítá predikci nezávisle proměnné y z regresního polynomu y = b k x n +...+b 1 x+b 0. yp=pol_pred(x,p) yp x p predikce, nezávisle proměnná, parametry. Vzorec: polynomiální predikce.
60 4.9 reg desc [ reg.desc ] Procedura počítá základní bodové odhady spojené s lineární regresí. Jsou to koeficienty regresní přímky b 0, b 1 a korelační koeficient r. [b1,b0,r]=reg_desc(x,y) b1 b0 r x y směrnice regresní přímky, absolutní člen, korelační koeficient, nezávisle proměnná, závisle proměnná. Vzorec: regresní přímka.
61 4.10 reg infe [ reg.infe ] Procedura počítá základní charakteristiky spojené s lineární inferenční regresí. Jsou to: predikční interval spolehlivosti a interval pro regresní přímku a dále p-hodnoty testu nulovosti směrnice a testu nulovosti regresního koeficientu. [is_e,is_p,pval_a,pval_r]=reg_infe(x,y,xp,alpha,alt) is_e interval pro regresní přímku, ic_p interval pro predikci, pval_a p-hodnota testu pro směrnici, pval_r p-hodnota testu pro regresní koeficient, x nezávisle proměnná, y závisle proměnná, xp predikce, alpha hladina pravděpodobnosti, alt alternativa: < levo, > pravo, <> obou.. Vzorec: regresní přímka.
62 4.11 t test reg [ t.test.reg ] Procedura počítá p-hodnotu testu o vhodnosti lineární regrese, který testuje nulovost korelačního koeficientu. pval=t_test_reg(x,y,alt) pval p-hodnota, x nezávisle proměnná, y závisle proměnná. alt alternativa: < levo, > pravo, <> obou.. H 0 : regrese není vhodná. Vzorec: t-test regrese.
63 4.12 f test reg [ f.test.reg ] Procedura počítá p-hodnotu testu o vhodnosti lineární regrese, který je založen na porovnání vysvětleného a nevysvětleného rozptylu. pval=f_test_reg(x,y) pval p-hodnota, x nezávisle proměnná, y závisle proměnná. H 0 : regrese není vhodná. Vzorec: f-test regrese.
64 4.13 f test pred [ f.test.pred ] Procedura počítá p-hodnotu testu o vhodnosti lineární regrese, který je založen na porovnání vysvětleného a nevysvětleného rozptylu, kterém so počítají ze zadaného y - závislá veličina a yp - predikce. Tento test je nezávislý na linearitě regrese. pval=f_test_pred(y,yp,np) pval p-hodnota, y závisle proměnná, y predikce, y počet parametrů modelu. H 0 : regrese není vhodná. Vzorec: f-test predikce.
65 4.14 anova [ anova ] Procedura počítá p-hodnotu testu o shodě středních hodnot několika souborů při jednom třídícím faktoru - jednoduchá ANOVA. pval=anova(s) pval p-hodnota, s matice dat s výběry ze skupin ve sloupcích. H 0 : střední hodnoty jsou stejné. Vzorec: jednoduchá ANOVA a příklad.
66 4.15 anova 2 [ anova.2 ] Procedura počítá p-hodnotu testu o shodě středních hodnot několika souborů při dvou třídících faktorech - dvojná ANOVA. [pv_c,pv_r]=anova_2(s) pv_c p-hodnota pro sloupce, pv_r p-hodnota pro řádky, s matice dat. H 0,c : střední hodnoty jsou stejné, H 0,r : střední hodnoty jsou stejné. Vzorec: dvojná ANOVA a příklad.
67 4.16 pca svd [ pca.svd ] Procedura testuje matici dat s měřenými veličinami a tyto veličiny transformuje tak, aby jich bylo co nejméně, při definované maximální ztrátě informace. [i,dd,sn,dr,p]=pca_svd(d,al) i počet redukovaných veličin, dd transformační matice, sn velká singulární čísla, Dr transformovaná data, p parametry redukovaného modelu, D původní veličiny (ve sloupcích), al podíl zachovaného rozptylu. Vzorec: PCA rozklad podle singulárních čísel.
68 4.17 pca eig [ pca.eig ] Procedura testuje matici dat s měřenými veličinami a tyto veličiny transformuje tak, aby jich bylo co nejméně, při definované maximální ztrátě informace. [i,dd,sn,dr,p]=pca_eig(d,al) i vr lr Y D al počet redukovaných veličin, transformační matice, velká singulární čísla, transformovaná data, původní veličiny (ve sloupcích), podíl zachovaného rozptylu. Vzorec: PCA rozklad podle vlastních čísel.
69 5 Dodatky V dodatcích jsou shrnuty potřebné informace týkající se celé pravděpodobnosti a statistiky, bez ohledu na jejích vnitřní členění. Jsou zde uvedeny rovněž informace, týkající se programové realizace pravděpodobnostních a statistických algoritmů.
70 5.1 Typy rozdělení [ typy.rozdel ] rozdělení binomial poisson geometric hypergeometric uniform exponential lognormal stdnormal normal t chisquare f discrete empirical parametry n,p lambda p m,t,n a,b lambda a,v m,v df df df num,df den v,p data
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 statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
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
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu
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
VíceKorelační a regresní analýza
Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná
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
VíceSimulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích
Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Nedostatešný popis systému a jeho modelu vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělit fyzickou nebo
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
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
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Budeme předpokládat, že X a Y jsou kvalitativní náhodné veličiny, obor hodnot X obsahuje r hodnot (kategorií,
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
VíceNadstavba pro statistické výpočty Statistics ToolBox obsahuje více než 200 m-souborů které podporují výpočty v následujících oblastech.
Statistics ToolBox Nadstavba pro statistické výpočty Statistics ToolBox obsahuje více než 200 m-souborů které podporují výpočty v následujících oblastech. [manual ST] 1. PROBABILITY DISTRIBUTIONS Statistics
VíceStatgraphics v. 5.0 STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA. Martina Litschmannová 1. Typ proměnné. Požadovaný typ analýzy
Dichotomická proměnná (0-1) Spojitá proměnná STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA Typ proměnné Požadovaný typ analýzy Ověření variability Předpoklady Testy, resp. intervalové odhad Test o rozptylu
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
VíceTesty nezávislosti kardinálních veličin
Testy nezávislosti kardinálních veličin Komentované řešení pomocí programu R Ústav matematiky Fakulta chemicko inženýrská Vysoká škola chemicko-technologická v Praze Načtení vstupních dat Vstupní data
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
VíceObsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
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
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceII. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal
Základy navrhování průmyslových experimentů DOE II. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal! Testování statistických hypotéz kvalitativní odezva kvantitativní chí-kvadrát test homogenity,
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VíceINDUKTIVNÍ STATISTIKA
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
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
VíceCvičení ze statistiky - 9. Filip Děchtěrenko
Cvičení ze statistiky - 9 Filip Děchtěrenko Minule bylo.. Dobrali jsme normální rozdělení Tyhle termíny by měly být známé: Inferenční statistika Konfidenční intervaly Z-test Postup při testování hypotéz
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
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
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
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
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
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
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
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
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
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
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
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
VíceRegrese. 28. listopadu Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly:
Regrese 28. listopadu 2013 Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly: 1. Ukázat, že data jsou opravdu závislá. 2. Provést regresi. 3. Ukázat, že zvolená křivka
VíceAplikovaná statistika v R - cvičení 2
Aplikovaná statistika v R - cvičení 2 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.6.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.6.2014 1 / 18 Přehled Rkových
Vícea) Základní informace o souboru Statistika: Základní statistika a tabulky: Popisné statistiky: Detaily
Testování hypotéz Testování hypotéz jsou klasické statistické úsudky založené na nějakém apriorním předpokladu. Vyslovíme-li předpoklad o hodnotě neznámého parametru nebo o zákonu rozdělení sledované náhodné
Více5 Parametrické testy hypotéz
5 Parametrické testy hypotéz 5.1 Pojem parametrického testu (Skripta str. 95-96) Na základě výběru srovnáváme dvě tvrzení o hodnotě určitého parametru θ rozdělení f(x, θ). První tvrzení (které většinou
VícePříklady ze Statistiky
Příklady ze Statistiky Regrese Příklad 1 V továrně byla sledována závislost celkových nákladů "n" (v tis. Kč.) na produkci "p". Byly zaznamenány následující údaje p = [532 297 378 121 519 613 592 497];
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
Více4ST201 STATISTIKA CVIČENÍ Č. 7
4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
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. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
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
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
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
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
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.
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
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
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
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
VícePOLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
VíceStatistické testování hypotéz II
PSY117/454 Statistická analýza dat v psychologii Přednáška 9 Statistické testování hypotéz II Přehled testů, rozdíly průměrů, velikost účinku, síla testu Základní výzkumné otázky/hypotézy 1. Stanovení
VíceMgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu
Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceSTATISTICA Téma 6. Testy na základě jednoho a dvou výběrů
STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů 1) Test na velikost rozptylu Test na velikost rozptylu STATISTICA nemá. 2) Test na velikost střední hodnoty V menu Statistika zvolíme nabídku Základní
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
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.
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
VícePOPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica
POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
VíceCvičící Kuba Kubina Kubinčák Body u závěrečného testu
1. Příklad U 12 studentů jsme sledovali počet dosažených bodů na závěrečném testu (od 0 do 60). Vždy 4 z těchto studentů chodili k jednomu ze 3 cvičících panu Kubovi, panu Kubinovi, nebo panu Kubinčákovi.
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VícePříklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13
Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
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
VíceKovariance, 76. Kritická hodnota. souboru, 65 Kritický obor, 121 Kvantil. souboru, 64 Kvartil. souboru, 68. Median
Index χ 2 -test, 133 dobré shody, 134 nezávislosti, 135 Úplná pravděpodobnost, 50 Alternativní hypotéza, 118 ANOVA, 157 nevysvětlený rozptyl, 159 příklad, 160 vysvětlený rozptyl, 158 ANOVA 2, 161 příklad,
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceTestování hypotéz. 1. vymezení základních pojmů 2. testování hypotéz o rozdílu průměrů 3. jednovýběrový t-test
Testování hypotéz 1. vymezení základních pojmů 2. testování hypotéz o rozdílu průměrů 3. jednovýběrový t-test Testování hypotéz proces, kterým rozhodujeme, zda přijmeme nebo zamítneme nulovou hypotézu
VíceADDS cvičení 7. Pavlína Kuráňová
ADDS cvičení 7 Pavlína Kuráňová Analyzujte závislost věku obyvatel na místě kde nejčastěji tráví dovolenou. (dotazník dovolená, sloupce Jaký je Váš věk a Kde nejčastěji trávíte dovolenou) Analyzujte závislost
VíceTestování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času
Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek
Více31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě
31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
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.
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Více{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků
Příklad: Test nezávislosti kategoriálních znaků Určete na hladině významnosti 5 % na základě dat zjištěných v rámci dotazníkového šetření ve Šluknově, zda existuje závislost mezi pohlavím respondenta a
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceDiskrétní náhodná veličina
Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné
VíceKORELACE. Komentované řešení pomocí programu Statistica
KORELACE Komentované řešení pomocí programu Statistica Vstupní data I Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
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
Více