charakteristiky KGG/STG Zimní semestr Základní statistické charakteristiky, Teoretická rozdělení 1
|
|
- Přemysl Beneš
- před 7 lety
- Počet zobrazení:
Transkript
1 3. ZákladnZ kladní statistické charakteristiky rozdělení 1
2 charakteristiky Dva hlavní druhy základnz kladních charakteristik statistického souboru: charakteristiky úrovně,, polohy (středn ední hodnoty) charakteristiky variability Další : charakteristiky asymetrie charakteristiky špičatosti rozdělení 2
3 Středn ední hodnoty = čísla (charakteristiky), která zastupují hodnoty zkoumaného statistického znaku udávaj vají polohu rozdělen lení četností,, velikost zkoumaného jevu v daném m souboru atd. rozdělení 3
4 Středn ední hodnoty Aritmetický průměr r (+ vážený) v Geometrický průměr Harmonický průměr Modus Aritmetický střed Medián n (kvartily( kvartily, decily, percentily) rozdělení 4
5 Charakteristiky variability = čísla, která charakterizují stupeň proměnlivosti statistického znaku v daném m statistickém souboru = důled ležitý doplněk k informací,, které poskytují středn ední hodnoty rozdělení 5
6 Kvartilová odchylka Q = ( x% %) (% % 75 x + x25 x) 2 rozdělení 6
7 Decilová, percentilová odchylka D = ( x% %) (% % 90 x + x10 x) 8 P = ( x% %) (% % 99 x + x1 x) 98 rozdělení 7
8 Průměrn rná odchylka d x n xi x = i= 1 i= 1 d x = n k xi xni k i= 1 ni rozdělení 8
9 Relativní průměrn rná odchylka D = d x Při vynásobení stem v % rozdělení 9
10 Středn ední diference = aritmetický průměr r absolutních hodnot všech možných vzájemných rozdílů n jednotlivých hodnot sledovaného znaku x = n n i= 1 j= 1 x i n( n 1) x j rozdělení 10
11 Středn ední diference Vhodná míra variability pro soubory s malým rozsahem. Jinak velmi pracné. rozdělení 11
12 Rozptyl, směrodatn rodatná odchylka = nejdůle ležitější charakteristiky variace hodnot znaků ve statistickém m souboru rozptyl: s 2 směrodatn rodatná odchylka: s rozdělení 12
13 Rozptyl = průměr r ze čtverců odchylek jednotlivých hodnot znaku od jejich aritmetického průměru ru s2 = n i= 1 ( x i x) n rozdělení 13
14 Rozptyl s2 = n i= 1 ( x i x) n V praxi se používá: 2 2 s = x2 x 2 2 x s = i n rozdělení 14
15 Rozptyl V případp padě skupinového rozdělen lení četností: s2 = k i= 1 ( x x) 2 s ni k i= 1 n i rozdělení 15
16 Rozptyl V praxi se opět t používá: s = x x Kde: x2 = k i= 1 k x 2 i ni i= 1 n i x = k i= 1 k i= 1 x n i i n i rozdělení 16
17 Směrodatn rodatná odchylka Používá se častěji, jde o druhou odmocninu rozptylu. Je mírou m rozptylu hodnot x i náhodnn hodné veličiny iny kolem průměru. ru. rozdělení 17
18 Variační koeficient = nejpoužívan vanější relativní míra variability = poměr r směrodatn rodatné odchylky k průměru ru v = s x rozdělení 18
19 Variační koeficient = je mírou m bezrozměrnou rnou rozdělení 19
20 Charakteristiky asymetrie = míry m šikmosti (asymetrie, nesouměrnosti), jsou čísla, která charakterizují nesouměrnost rozdělen lení četností. míra šikmosti založen ená na variačním m rozpětí míra šikmosti založen ená na rozpětí kvantilů koeficient asymetrie rozdělení 20
21 Koeficient asymetrie = aritmetický průměr r z třett etích mocnin odchylek jednotlivých hodnot znaku od aritmetického průměru ru vyjádřených v jednotkách směrodatn rodatné odchylky rozdělení 21
22 Koeficient asymetrie Ze skupinového rozdělen lení četností se vypočítá: k α i= 1 = n ( xi x) i 3 ns3 rozdělení 22
23 Koeficient asymetrie α α α = f p rozdělení četností je souměrné rozdělení četností je sešikmeno doleva (kladná šikmost) rozdělení četností je sešikmeno doprava (záporná šikmost) rozdělení 23
24 Charakteristiky špičatosti = čísla, která charakterizují koncentraci prvků souboru v blízkosti určit ité hodnoty znaku = poskytují představu o tvaru rozdělen lení četností co do špičatosti nebo plochosti míra koncentrace kolem mediánu koeficient špičatosti rozdělení 24
25 Koeficient špičatosti = průměrn rná hodnota součtu čtvrtých mocnin odchylek hodnot x i od aritmetického průměru ru měřených v jednotkách směrodatn rodatné odchylky s rozdělení 25
26 Koeficient špičatosti Ze skupinového rozdělen lení četností se vypočítá: k 4 n ( xi x) i = ns4 ε i= 1 3 rozdělení 26
27 Koeficient špičatosti ε ε ε = f p rozdělení četností je normálně zašpičatělé rozdělení četností je kladně zašpičatělé (špičaté) rozdělení četností je záporně zašpičatělé (ploché) rozdělení 27
28 Příklad rozdělení 28
29 rozdělení 29 9,6 34 9,7 17 9,6 50 9, ,9 16 9, , ,1 15 9,2 48 9, ,5 30 7,7 13 8,5 46 9,3 29 8,2 12 8,8 45 9,8 28 8,5 11 9,9 44 9, ,1 10 9, ,8 26 9,9 9 9, , ,3 8 9, ,2 24 9,4 7 9,1 40 8,6 23 8,3 6 8,7 39 8,4 22 7,9 5 8,9 38 7,9 21 9,1 4 8,8 37 9,3 20 8,1 3 9,4 36 8,9 19 9,6 2 9,1 35 8,8 18 7,4 1 Průměrná teplota ( C) Rok Průměrná teplota Rok Průměrná teplota( C) Rok
30 intervaly 6,5-7 7,1-7,5 7,6-8 8,1-8,5 8,6-9 9,1-9,5 9, ,1-10,5 10, ,1-11,5 11,6-12 střed intervalu 6,8 7,3 7,8 8,3 8,8 9,3 9,8 10,3 10,8 11,3 11,8 absolutní četnost rozdělení 30
31 Spočítáno z minula: Aritmetický průměr. r. Modus. Medián, horní a dolní kvartil. Průměrnou rnou odchylku. rozdělení 31
32 Relativní odchylku Rozptyl Směrodatnou odchylku Koeficient špičatosti Koeficient šikmosti Vypočítej: rozdělení 32
33 intervaly xs ni x s n i x s -x n i (x s -x) 2 6,5-7 6,8 0 7,1-7,5 7,3 1 7,6-8 7,8 3 8,1-8,5 8,3 7 8,6-9 8,8 8 9,1-9,5 9,3 13 9,6-10 9, ,1-10,5 10,3 4 10, ,8 3 11,1-11,5 11,3 1 11, , rozdělení 33
34 4. Teoretická rozdělen lení rozdělení 34
35 Teoretická rozdělen lení pojmy Náhodná veličina ina proměnn nná,, pro kterou nelze na základz kladě určit ité zákonitosti předem p stanovit její konkrétn tní hodnotu Spojitá náhodná veličina ina může-li nabývat jakékoliv koliv hodnoty v určit itém m intervalu Nespojitá (diskrétn tní) ) náhodnn hodná veličina ina opak rozdělení 35
36 Teoretická rozdělen lení princip Ve statistice pracujeme často s výběrovými soubory o rozsahu n, jejich grafickým znázorn zorněním m je histogram. Budeme-li zvětšovat rozsah souboru (při i předpokladu, p že e náhodnn hodná veličina ina je spojitá) ) a hodnoty třídit t do stále menší ších intervalů,, dostaneme histogramy, které se budou stále více v blížit hladké křivce. rozdělení 36
37 Teoretická rozdělen lení princip Této hladké křivky dosáhneme v teoretickém limitním m případp padě,, kdy soubor o nekonečně velkém m rozsahu třídíme t do nekonečně mnoha nekonečně úzkých intervalů. Dostaneme: frekven pravděpodobnosti) podobnosti) frekvenční funkci funkci (hustotu rozdělení 37
38 Teoretická rozdělen lení princip Analogicky přejdeme p od součtov tové čáry ke spojité křivce F(x) distribuční funkce rozdělení 38
39 Teoretická rozdělen lení princip Frekvenční funkce tak představuje p teoretické rozdělen lení četností základního souboru o parametrech µ σ aritmetický průměr směrodatná odchylka rozdělení 39
40 Normáln lní (Gaussovo)) rozdělen lení Patří mezi nejčast astěji používan vaná rozdělen lení spojité náhodné veličiny. iny. Bylo pozorováno při p i opakovaném m měřm ěření téže veličiny iny za stálých podmínek, kdy jednotlivé hodnoty se více v či i méněm odlišovaly ovaly od skutečné hodnoty rozdělení 40
41 Normáln lní (Gaussovo)) rozdělen lení Frekvenční funkce : ( ) =. σ 2π f x ( x µ ) e σ rozdělení 41
42 Normáln lní (Gaussovo)) rozdělen lení Distribuční funkce : ( x ) 2 x F x = e σ dx ( ). 2 σ π µ rozdělení 42
43 Normované normáln lní rozdělen lení Normujeme pomocí: z = x µ σ rozdělení 43
44 Normované normáln lní rozdělen lení Frekvenční funkce: f ( x) = 1. e 2π z2 2 rozdělení 44
45 Normované normáln lní rozdělen lení Distribuční funkce: z2 z 1 F( x) =. e 2 dx 2 π rozdělení 45
46 Normované normáln lní rozdělen lení Zvonovitý tvar, asymptoticky se přiblip ibližuje ose x Souměrn rná podle osy, která prochází vrcholem, x-ová souřadnice vrcholu je aritmetickým průměrem rem normáln lního rozdělen lení Aritmetický průměr r se rovná modusu a mediánu rozdělení 46
47 Normované normáln lní rozdělen lení Normované rozdělen lení již nezávis visí na parametrech µ σ rozdělení 47
48 Vlastnosti, pravděpodobnosti podobnosti Normáln lní křivka omezuje plochu 100 % (nebo 1). Lze tak určit pravděpodobnosti, podobnosti, s nimiž leží hodnoty v určit itém m intervalu. rozdělení 48
49 Vlastnosti, pravděpodobnosti podobnosti V intervalu: µ ± σ µ ± 2σ µ ± 3σ leží 68,28 % všech hodnot leží 95,45 % všech hodnot leží 99,73 % všech hodnot rozdělení 49
50 Vlastnosti, pravděpodobnosti podobnosti Naopak: 95 % hodnot odpovídá intervalu µ ± 1,65σ 99 % hodnot odpovídá intervalu µ ± 2,58σ rozdělení 50
51 Pravděpodobn podobná chyba Stanovení mezí extremity se opírá o zmíněné pravděpodobnosti. podobnosti. Kromě násobků směrodatn rodatné odchylky lze použít t i tzv. pravděpodobnou podobnou chybu c: (pro normáln lní rozdělen lení) c = 0,6745. s rozdělení 51
52 Extremita jevů a její meze slovní označení extremity symbol meze pravděpod obnost výskytu jevu (%) meze pravděpod obnost výskytu jevu (%) extrémně podnormální EP < x - 3s 0,135 < x - 3c 2,150 silně podnormální SP x - 3s až x - 2s 2,190 x - 3c až x - 2c 8,870 podnormální P x -2s až x - s 13,590 x -2c až x - c 13,980 normální O x - s až x + 2s 68,270 x - c až x + 2c 50,000 nadnormální N x + s až x + 2s 13,590 x + c až x + 2c 13,980 silně nadnormální SN x + 2s až x + 3s 2,190 x + 2c až x + 3c 8,870 extrémně nadnormální EN > x + 3s 0,135 > x + 3c 2,150 rozdělení 52
53 Konstrukce a výpočet normáln lního rozdělen lení Nutná je znalost základnz kladních charakteristik výběrov rového souboru ( x a s ), které nahrazují neznámé parametry základnz kladního souboru a µ σ rozdělení 53
54 Konstrukce a výpočet normáln lního rozdělen lení Hledaná frekvenční funkce pak bude mít m t tvar: nh f ( x) =. e s 2π ( x x) 2 2s2 rozdělení 54
55 Konstrukce a výpočet normáln lního rozdělen lení Pořadnice vrcholu křivky k y max procházej zející aritmetickým průměrem rem x dostaneme ze vztahu: y max = 0,39894 nh s rozdělení 55
56 Konstrukce a výpočet normáln lního rozdělen lení Další pořadnice křivky k y i dostaneme ze vztahu: y i = k i. y max Kde k i jsou tabelované hodnoty pro různr zné násobky směrodatn rodatné odchylky. Body y y 1s a -1s jsou inflexními body normáln lní křivky. rozdělení 56
57 Pearsonova křivka III. typu Používá se v případp padě,, kdy nelze na geografické jevy aplikovat normáln lní rozdělen lení (např. studovaná veličina ina nemá možnost nabývat nekonečných ných hodnot, nebo je omezena konečnými nými hodnotami ). V tom případp padě lze na soubor použít t některou n křivku k ze systému 12 křivek Pearsonova systému. rozdělení 57
58 Pearsonova křivka III. typu Nejčast astěji se používá (zejména v hydrologii) Pearsonova křivka III. typu. Rovnice: y x x = y. e b (1 + ) 0 a a b rozdělení 58
59 Pearsonova křivka III. typu Distribuční funkce Pearsonovy křivky III. typu se používá ke konstrukci čáry překrop ekročení (součtov tová čára četností). rozdělení 59
60 Konstrukce čáry překrop ekročení Nutné je znát t základnz kladní parametry Pearsonovy křivky III. typu : aritmetický průměr variační koeficient koeficient asymetrie rozdělení 60
61 Konstrukce čáry překrop ekročení rozdělení 61
62 Binomické rozdělen lení = rozdělen lení diskrétn tní náhodné veličiny iny Udává rozdělen lení výsledků při i opakování jednoho a téhot hož pokusu za stejných podmínek. Výsledkem pokusu mohou být pouze 2 alternativy: A nebo B. rozdělení 62
63 Binomické rozdělen lení Pravděpodobnost, že e nastane alternativa A označme jako p Pravděpodobnost, že e nastane alternativa A označme jako q Potom platí p + q = 1 rozdělení 63
64 Binomické rozdělen lení Za předpokladu, p že e provedeme uvažovaný pokus n krát,, hledáme pravděpodobnost, podobnost, že alternativa A (s pravděpodobnost podobností p) nastane právě x krát. rozdělení 64
65 Binomické rozdělen lení Výpočet pravděpodobnosti: podobnosti: n! f ( x) =. px. qn x x! n x! ( ) rozdělení 65
66 Binomické rozdělen lení Předchozí rovnice vyjadřuje rozdělen lení pravděpodobnost podobností binomického rozdělen lení rozdělení 66
67 Binomické rozdělen lení Příklad: Jak vypadá rozložen ení pravděpodobnost podobností pro: n = 8 p = a) 0,1 b) 0,25 c) 0,5 d) 0,75 e) 0,9 rozdělení 67
68 Binomické rozdělen lení Základní momenty binomického rozdělen lení : µ = σ = α = n. p n. p. q 1 2 p n. p. q 1 6. p. q ε = n. p. q rozdělení 68
69 Speciáln lní rozdělen lení rozdělení 69
70 Speciáln lní rozdělen lení Při i testování statistických hypotéz z využíváme poznatku, že e testovací kritéria ria mají některé z následujících ch rozdělen lení. rozdělení 70
71 Rozdělen lení 2 χ [chí kvadrát] Předpoklad: Ze základnz kladního souboru, který mám normované normáln lní rozdělen lení provedeme náhodný n výběr r n prvků,, které označíme x 1, x 2 x n. rozdělení 71
72 Rozdělen lení 2 χ [chí kvadrát] Součet druhých mocnin x 1, x 2 x n se označuje jako χ 2. 2 χ Hodnota můžm ůže e nabývat výběr r od výběru různých hodnot v intervalu od 0 do Je tedy náhodnou veličinou, inou, která má své vlastní rozdělen lení χ 2. rozdělení 72
73 Rozdělen lení 2 χ [chí kvadrát] Frekvenční a distribuční funkce: f F ν ν χ 2 ( ) χ 2 ( ) rozdělení 73
74 Rozdělen lení 2 χ [chí kvadrát] ν 2 jediný parametr χ rozdělení, nazývá se počet stupňů volnosti 2 a je v případě χ rozdělení roven počtu sčítanců, čili rozsahu náhodného výběru n. rozdělení 74
75 Rozdělen lení 2 χ [chí kvadrát] Každé hodnotě ν = n příslup sluší tedy jiná křivka. S rostoucí hodnotou ν 2 se χ rozdělen lení blíží rozdělen lení normáln lnímu. rozdělení 75
76 Rozdělen lení 2 χ [chí kvadrát] = používá se pro ověř ěření nezávislosti náhodných n veličin in rozdělení 76
77 Studentovo t - rozdělen lení Předpoklad: Aritmetický průměr r výběrov rového souboru se můžm ůže více či i méněm lišit it od průměru ru základnz kladního souboru. rozdělení 77
78 Studentovo t - rozdělen lení Pro hodnocení odchylek x µ byla x µ t =. n 1 s definována na náhodnn hodná veličina ina, které přísluší tzv. t rozdělen lení (Studentovo rozdělen lení). rozdělení 78
79 Studentovo t - rozdělen lení Spojitá náhodná veličina ina t můžm ůže e nabývat hodnot od - do Frekvenční funkci t rozdělen lení budeme označovat ovat q ( t) ν je souměrn rná podle osy jdoucí jejím m vrcholem a mám jediný parametr = n - 1 ν rozdělení 79
80 Studentovo t - rozdělen lení S rostoucím počtem stupňů volnosti se t rozdělení blíží normálnímu. Shoda nastane až při ν =. V praxi však můžeme t rozdělení považovat za normální při > 30. ν rozdělení 80
81 F - rozdělen lení (Fischerovo Snedecorovo) Předpoklad: Máme dvě nezávisl vislé náhodné veličiny, iny, které mají χ 2 rozdělen lení s ν ν 2 stupni volnosti. Potom veličina ina F, určen ená jako jejich poměr má tzv. F rozdělen lení. 1 rozdělení 81
82 5. Odhady parametrů rozdělení 82
83 5. Odhady parametrů Základní soubor Výběr, výběrový soubor Náhodný výběr rozdělení 83
84 5. Odhady parametrů Neznáme charakteristiky základnz kladního souboru odhadujeme pomocí příslušných výběrových charakteristik s určitou přesnostp esností a spolehlivostí. Přesnost odhadu dané charakteristiky je určena násobkem středn ední výběrov rové chyby, kterou je směrodatn rodatná odchylka příslup slušné charakteristiky ze všech teoreticky možných. Spolehlivost odhadu je dána d pravděpodobnost podobností,, se kterou je možné určitý odhad považovat ovat za správný. rozdělení 84
85 5. Odhady parametrů Určen ení přesnosti a spolehlivosti odhadu předpokládá znalost rozdělen lení výběrových charakteristik. Rozlišujeme výběry s malým a velkým rozsahem (hranice n = 30). U velkých výběrů se výběrov rové rozdělen lení aproximuje většinou v normáln lním rozdělen lením. rozdělení 85
86 5. Odhady parametrů Reprezentativnost výběru dosahujeme nejčast astěji náhodným výběrem. Náhodný výběr r s opakováním x bez opakování rozdělení 86
5. Odhady parametrů. KGG/STG Zimní semestr
Základní soubor Výběr, výběrový (statistický) soubor Náhodný výběr Princip Odhad neznámých parametrů základního souboru na základz kladě charakteristik výběru. Přecházíme z části na celek, zevšeobec eobecňujeme
VíceZákladní statistické charakteristiky
Základní statistické charakteristiky Základní statistické charakteristiky slouží pro vzájemné porovnávání statistických souborů charakteristiky = čísla, pomocí kterých porovnáváme Základní statistické
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
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
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
Více6. Testování statistických hypotéz. KGG/STG Zimní semestr 6. Testování statistických hypotéz
6. Testování statistických Testování statistických Princip: Ověř ěřování určit itého předpokladu p zjišťujeme, zda zkoumaný výběr r pochází ze základnz kladního souboru, který mám určit ité rozdělen lení
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
Více3. Základní statistické charakteristiky. KGG/STG Zimní semestr Základní statistické charakteristiky 1
3. charakteristiky charakteristiky 1 charakteristiky slouží pro vzájemné porovnávání statistických souborů charakteristiky = čísla, pomocí kterých porovnáváme charakteristiky 2 charakteristiky Dva hlavní
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
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
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
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
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
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.
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
VícePravděpodobnost, náhodná proměnná. Statistické metody a zpracování dat. III. Pravděpodobnost, teoretická rozdělení. Pravděpodobnost, náhodná proměnná
Pravděpodobnost, náhodná proměnná Statistické metody a zpracování dat III. Pravděpodobnost, teoretická rozdělení Petr Dobrovolný Popisné a průzkumové metody umožňují přehledné shrnutí informací, které
VíceČíselné charakteristiky a jejich výpočet
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky
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,
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceSTATISTICKÉ CHARAKTERISTIKY
STATISTICKÉ CHARAKTERISTIKY 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
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
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
Víceveličin, deskriptivní statistika Ing. Michael Rost, Ph.D.
Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího
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
VíceMetodologie pro ISK II
Metodologie pro ISK II Všechny hodnoty z daného intervalu Zjišťujeme: Centrální míry Variabilitu Šikmost, špičatost Percentily (decily, kvantily ) Zobrazení: histogram MODUS je hodnota, která se v datech
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
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,
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
VíceDeskriptivní statistické metody II. Míry polohy Míry variability
Deskriptivní statistické metody II. Míry polohy Míry variability Jana Vránová, 3.lékařská fakulta UK, Praha Náhodný výběr všechny prvky výběru {x i }, i = 1, 2,, n, se chápou jako náhodné veličiny, které
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceROZDĚLENÍ NÁHODNÝCH VELIČIN
ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceJevy a náhodná veličina
Jevy a náhodná veličina Výsledky některých jevů jsou vyjádřeny číselně -na hrací kostce padne číslo 1, 4, 6.., jiným jevům můžeme čísla přiřadit (stupeň školního vzdělání: ZŠ, SŠ, VŠ) Data jsme rozdělili
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
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
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
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
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
VíceTEST Z TEORIE EXPLORAČNÍ ANALÝZA DAT
EXPLORAČNÍ ANALÝZA DAT TEST Z TEORIE 1. Test ze Statistiky píše velké množství studentů. Představte si, že každý z nich odpoví správně přesně na polovinu otázek. V tomto případě bude směrodatná odchylka
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
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)
VíceZÁKLADNÍ STATISTICKÉ CHARAKTERISTIKY
zhanel@fsps.muni.cz ZÁKLADNÍ STATISTICKÉ CHARAKTERISTIKY METODY DESKRIPTIVNÍ STATISTIKY 1. URČENÍ TYPU ŠKÁLY (nominální, ordinální, metrické) a) nominální + ordinální neparametrické stat. metody b) metrické
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)
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
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
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
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
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
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
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
VíceVýrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy
Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
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 STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
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
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
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
VíceTestování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistickou hypotézou se rozumí určité tvrzení o parametrech rozdělení zkoumané náhodné veličiny (µ, σ 2, π,
VíceTECHNICKÁ UNIVERZITA V LIBERCI. Ekonomická fakulta. Semestrální práce. Statistický rozbor dat z dotazníkového šetření školní zadání
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce Statistický rozbor dat z dotazníkového šetření školní zadání Skupina: 51 Vypracovaly: Pavlína Horná, Nikola Loumová, Petra Mikešová,
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceÚVOD DO TEORIE ODHADU. Martina Litschmannová
ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),
VícePopisná statistika. Jaroslav MAREK. Univerzita Palackého
Popisná statistika Jaroslav MAREK Univerzita Palackého Přírodovědecká fakulta Katedra matematické analýzy a aplikací matematiky Tomkova 40, 779 00 Olomouc Hejčín tel. 585634606 marek@inf.upol.cz pondělí
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
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
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
Více1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost
(8 bod ) Náhodná veli ina X je po et rub p i nezávislých hodech mincí a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost P ( X EX < ) (9 bod ) b) Formulujte centrální limitní v tu a pomocí ní vypo
VíceLIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení
LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení Způsoby statistického šetření Vyčerpávající šetření prošetření všech jednotek statistického souboru (populace) Výběrové šetření ze základního souboru
VíceÚvod do problematiky měření
1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.
ROZDĚLENÍ NV ÚVOD Velké skupiny náhodných pokusů vykazují stejné pravděpodobnostní chování Mince panna/orel Výška mužů/žen NV mohou být spojeny s určitým pravděpodobnostním rozdělení (již známe jeho hustotu
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceStručný úvod do vybraných zredukovaných základů statistické analýzy dat
Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Statistika nuda je, má však cenné údaje. Neklesejme na mysli, ona nám to vyčíslí. Z pohádky Princové jsou na draka Populace (základní
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
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
Více2. 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,
VíceSTATISTICKÉ ZJIŠŤOVÁNÍ
STATISTICKÉ ZJIŠŤOVÁNÍ ÚVOD Základní soubor Všechny ryby v rybníce, všechny holky/kluci na škole Cílem určit charakteristiky, pravděpodobnosti Průměr, rozptyl, pravděpodobnost, že Maruška kápne na toho
VíceKomplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník a oktáva 3 hodiny týdně PC a dataprojektor, učebnice
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
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
VícePřednáška X. Testování hypotéz o kvantitativních proměnných
Přednáška X. Testování hypotéz o kvantitativních proměnných Testování hypotéz o podílech Kontingenční tabulka, čtyřpolní tabulka Testy nezávislosti, Fisherůvexaktní test, McNemarůvtest Testy dobré shody
Vícepravděpodobnosti, popisné statistiky
8. Modelová rozdělení pravděpodobnosti, popisné statistiky Rozdělení pravděpodobnosti Normální rozdělení jako statistický model Přehled a aplikace modelových rozdělení Popisné statistiky Anotace Klasickým
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
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce Statistický rozbor dat z dotazníkového šetření Počet stran: 10 Datum odevzdání: 13. 5. 2016 Pavel Kubát Obsah Úvod... 3 1 Charakterizujte
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
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:
Vícey = 0, ,19716x.
Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
VíceJarqueův a Beryho test normality (Jarque-Bera Test, JB test)
Jarqueův a Beryho test normality (Jarque-Bera Test, JB test) Autoři: Carlos M. Jarque and Anil K. Bera Předpoklady: - Výběrová data mohou obsahovat chybějící pozorování (chybějící hodnoty) vhodné zejména
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
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
Více