1.4 ANOVA. Vliv druhu plodiny na míru napadení houbami Fusarium culmorum a Fusarium graminearum v systému ekologického hospodaření
|
|
- Vendula Sedláčková
- před 7 lety
- Počet zobrazení:
Transkript
1 1.4 ANOVA Úloha 1 Jednofaktorová ANOVA Vliv druhu plodiny na míru napadení houbami Fusarium culmorum a Fusarium graminearum v systému ekologického hospodaření Bylo měřeno množství DNA hub Fusarium culmorum a Fusarium graminearum pomocí realtime PCR s druhově specifickými primery a TaqMan sondami ve vzorcích sedmi druhů zemědělských plodin pěstovaných v systému ekologického zemědělství. Byla zjišťována přirozená infekce, tj. porosty nebyly uměle inokulovány. Úkolem bylo zjistit, jaké jsou rozdíly v úrovni napadení uvedenými druhy hub u sledovaných druhů plodin. Data: Soubor MS Excel: 1.4_analýza variance, list: ANOVA1 Plodina F. culmorum F. graminearum µg Fc/100mg šrotu µg Fg/100mg šrotu dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka ječmen ječmen ječmen ječmen ječmen ječmen pohanka pohanka pohanka pohanka pohanka pohanka proso proso proso proso proso proso pšenice pšenice pšenice pšenice pšenice pšenice špalda špalda
2 špalda špalda špalda špalda žito žito žito žito žito žito Výsledky: Použitý program: NCSS Průměry a efekty úrovní Standardní Fc Počet Průměr odchylka Efekt α i vše E E-02 A:C E E E E E E E E E E E E Standardní Fg Počet Průměr odchylka Efekt α i vše E E-02 A: C E E E E E E E E E E E E E E E E E E-02 Testy předpokladů o výběru Spočtená Závěr Fc Testační hladina testu Předpoklad kriterium významnosti (α=0.05) Test šikmosti reziduí Zamítnuta H 0 Test špičatosti reziduí Zamítnuta H 0 Omnibus test reziduí Zamítnuta H 0 Modifikovaný Levenův test stejných rozptylů Přijata H 0
3 Spočtená Závěr Fg Testační hladina testu Předpoklad kriterium významnosti (α=0.05) Test šikmosti reziduí Zamítnuta H 0 Test špičatosti reziduí Zamítnuta H 0 Omnibus test reziduí Zamítnuta H 0 Modifikovaný Levenův test stejných rozptylů Přijata H 0 Protože byl zamítnut předpoklad normality dat jak u Fc, tak i u Fg bude pro analýzu ANOVA použit Kruskal-Wallisův neparametrický test. Předpoklad homoskedasticity dat byl přijat. ANOVA tabulka H 0 : Všechny mediány jsou stejné. H a : Alespoň dva mediány jsou vzájemně odlišné. Fc Spočtená hladina Závěr testu Kruskal-Wallisův test SV χ 2 (H) významnosti (α=0.05) nekorigovaný na vazby (H) zamítnuta H 0 korigovaný na vazby (H C ) zamítnuta H 0 Počet souborů vázaných hodnot 2 Korekční faktor 1344 Faktor H je významný při α = 0,05. Suma Průměrné Skupina Počet pořadí pořadí Z-skóre Medián Fg Spočtená hladina Závěr testu Kruskal-Wallisův test SV χ 2 (H) významnosti (α=0.05) nekorigovaný na vazby (H) zamítnuta H 0 korigovaný na vazby (H C ) zamítnuta H 0 Počet souborů vázaných hodnot 4 Korekční faktor 78 Faktor H je významný při α = 0,05.
4 Suma Průměrné Skupina Počet pořadí pořadí Z-skóre Medián Vícenásobné porovnávání Kruskal-Wallisův test vícenásobného porovnávání (Dunn's Test) Fc Vlastní test: mediány se významně liší, je-li Z-skóre > Bonferroniho test: mediány se významně liší, je-li Z-skóre > Fg Vlastní test: mediány se významně liší, je-li Z-skóre > Bonferroniho test: mediány se významně liší, je-li Z-skóre >
5 Grafy a diagramy Fc 2.00 Box Plot 0.50 Means of C C C C C1 Fg Box Plot Means of C C C C C1 Krabicový graf úrovní faktoru C1 (vlevo), diagram sloupcových průměru z programu NCSS2007 (vpravo) pro F. culmorum (nahoře) a F. graminearum (dole) Závěr úlohy Z výsledků analýzy vyplývá, že největší rozdíly v napadení porostů houbami Fusarium culmorum a F. graminearum vykazují ječmen, pohanka a proso na jedné straně a žito na druhé straně. Žito bylo napadeno nejvíce oběma druhy houbového patogena a je tedy nejnáchylnější ze sledovaných druhů plodin. Naopak ječmen, pohanka a v případě Fc i proso byly nejméně napadeny sledovanými druhy hub Fusarium a jsou tedy vhodné pro pěstování v tzv. ekologickém zemědělství.
6 Úloha 2 Dvoufaktorová ANOVA bez opakování Vliv odrůdy a roku na míru napadení ječmene houbovým patogenem Pyrenophora teres Bylo měřeno množství DNA houbového patogena Pyrenophora teres v listových pletivech 19 odrůd ječmene ve dvou letech 2003 a 2004 pomocí real-time PCR s druhově specifickými primery a TaqMan sondou. Byla zjišťována přirozená polní infekce, tj. porosty nebyly uměle inokulovány. Úkolem bylo zjistit, zda míra napadení závisí více na odrůdě nebo na ročníku, tj. na klimatických podmínkách. Hodnoty Ct odečtené z přístroje byly přepočteny pomocí kalibrační křivky na hodnoty Q, tedy na počty kopií amplifikovaného lokusu DNA houby a standardizovány na počty kopií DNA rostliny. Data: Soubor MS Excel: 1.4_analýza variance, list: ANOVA2P Odrůda Rok C1 C2 Průměr Q (PT) Prestige Philadelphie Olbram Nordus Maridol Madonna Madeira Krona Jersey Forum Atribut Annabel Akcent Primus Orthega Ladík Heris Saloon Sabel Prestige Philadelphie Olbram Nordus Maridol Madonna Madeira Krona Jersey Forum Atribut Annabel Akcent
7 Primus Orthega Ladík Heris Saloon Sabel Použitý program: NCSS2007 Pro výpočet byl použity smíšené modely s interakcí. Vzhledem k zamítnutí hypotézy o normalitě dat byl použit Friedmanův pořadový test. Průměry a efekty úrovní Standardní Zdroj Počet Průměr odchylka Efekt α i vše A: C B: C AB: C1,C2 1, , , , , , , , , , , ,
8 7, , , , , , , , , , , , , , , , , , , , , , , , , , Tabulka ANOVA Úroveň faktoru Počet Průměr Suma C1 bloků Medián pořadí pořadí
9 Friedmanovo kriterium Spočtená Test dobré shody Vazby (Q) SV hladina významnosti (W) Ignorovány Uvažovány Multiplicita 6 Úroveň faktoru Počet Průměr Suma C2 bloků Medián pořadí pořadí Friedmanovo kriterium Spočtená Test dobré shody Vazby (Q) SV hladina významnosti (W) Ignorovány Uvažovány Multiplicita 0 Jelikož jsou hodnoty spočtené hladiny významnosti větší než zadané α = 0,05, nelze zamítnout nulovou hypotézu o nevýznamnosti faktoru C1 ani C2. Grafy a diagramy Means of C Means of C C C C C2 Means of C3 C C1 C C Means of C3 1 2 C2 Diagram průměrů pro různé úrovně faktoru A (19 odrůd ječmene) (nahoře vlevo); diagram průměrů pro různé úrovně faktoru B (2 ročníky); diagram průměrů pro oba faktory (dole) C
10 Závěr úlohy Na základě analýzy dat nebyly zamítnuty nulové hypotézy o nevýznamnosti faktoru A ani B, a tedy míra napadení porostů ječmene nebyla ovlivněna ani odrůdou ani ročníkem.
11 Úloha 3 Dvoufaktorová ANOVA s opakováním Testování vlivu druhu plodiny a ročníku na míru napadení houbou Fusarium culmorum Bylo měřeno množství DNA houbového patogena Fusarium culmorum a Fusarium graminearum pomocí real-time PCR s druhově specifickými primery a TaqMan sondou ve vzorcích sedmi druhů zemědělských plodin pěstovaných v systému ekologického zemědělství ve třech letech Byla zjišťována přirozená infekce, tj. porosty nebyly uměle inokulovány. Úkolem bylo zjistit, zda míru napadení F. culmorum ovlivňuje druh plodiny a/nebo ročník pěstování. Data: Soubor MS Excel: 1.4_analýzy variance, list: ANOVA2B Plodina Rok Odrůda Rok Fc dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka dvouzrnka ječmen ječmen ječmen ječmen ječmen ječmen ječmen ječmen ječmen ječmen ječmen ječmen pohanka pohanka pohanka pohanka pohanka pohanka pohanka pohanka pohanka pohanka pohanka pohanka proso proso
12 Použitý program: NCSS2007 proso proso proso proso proso proso proso proso proso proso pšenice pšenice pšenice pšenice pšenice pšenice pšenice pšenice pšenice pšenice pšenice pšenice špalda špalda špalda špalda špalda špalda špalda špalda špalda špalda špalda špalda žito žito žito žito žito žito žito žito žito žito žito žito
13 Ověření výběrových předpokladů Descriptive Statistics Report Normality Test Section of C3 when C1=1,C2=1 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=1,C2=2 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=1,C2=3 Shapiro-Wilk W E-03 Reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Reject normality Normality Test Section of C3 when C1=2,C2=1 Shapiro-Wilk W E-02 Can't reject normality Martinez-Iglewicz Reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=2,C2=2 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality
14 Normality Test Section of C3 when C1=2,C2=3 Shapiro-Wilk W E-02 Reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=3,C2=1 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=3,C2=2 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=3,C2=3 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=4,C2=1 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality
15 Descriptive Statistics Report Normality Test Section of C3 when C1=4,C2=2 Shapiro-Wilk W 1 1 Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Normality Test Section of C3 when C1=4,C2=3 Shapiro-Wilk W 1 1 Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Normality Test Section of C3 when C1=5,C2=1 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=5,C2=2 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=5,C2=3 Shapiro-Wilk W E-02 Reject normality Martinez-Iglewicz Reject normality Kolmogorov-Smirnov Can't reject normality
16 Normality Test Section of C3 when C1=6,C2=1 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=6,C2=2 Shapiro-Wilk W E-03 Reject normality Martinez-Iglewicz Reject normality Kolmogorov-Smirnov Reject normality Normality Test Section of C3 when C1=6,C2=3 Shapiro-Wilk W E-03 Reject normality Martinez-Iglewicz Reject normality Kolmogorov-Smirnov Reject normality Normality Test Section of C3 when C1=7,C2=1 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Normality Test Section of C3 when C1=7,C2=2 Shapiro-Wilk W E-03 Reject normality Martinez-Iglewicz Reject normality Kolmogorov-Smirnov Reject normality
17 Normality Test Section of C3 when C1=7,C2=3 Shapiro-Wilk W Can't reject normality Martinez-Iglewicz Can't reject normality Kolmogorov-Smirnov Can't reject normality Závěr: U výběru kombinace faktorů C1:C2 = 1:3, 5:3, 6:2, 6:3, a 7:2 byla zamítnuta normalita. Pro výpočet byl použit model s pevnými efekty a s interakcí mezi faktory C1 a C2 a Friedmanův test. Průměry a úrovně efektů Směrodatná Zdroj Počet Průměr odchylka Efekt All E E-02 A: C E E E E E E E-02 B: C E E E E E E E E E E AB: C2,C1 1, , , , , , , , E-02 2, E-02 2, E-02 2, E-02 2, E-02 2, E-02 2, , E-02 3, E-02 3, E-02 3, E-02 3, E-02 3, E-02 3,
18 Tabulka ANOVA Očekávaná suma čtverců pro vyvážená data Zdroj Faktor Faktor Očekávaná rozptylu SV pevný ve jmenovateli suma čtverců A: C1 6 ano S S+bsA B: C2 2 ano S S+asB AB 12 ano S S+sAB S 63 ne S Zdroj Suma Průměrný Spočtená Síla testu rozptylu SV čtverců čtverec F-test hladina (α = 0.05) významnosti A: C * B: C * AB * S E-03 Celkem (Adjusted) Celkem 84 * Faktor významný při α = 0.05 Závěr: Jelikož hodnota testačního kriteria 76.7 je vyšší než kvantil Fisherova-Snedecorova rozdělení ((6,12) = 3,00, je nulová hypotéza o nevýznamnosti faktoru C1 (druh plodiny) zamítnuta. Hodnota testačního kriteria pro faktor C2 (83,81) je vyšší než kritická hodnota F (2,12) = 3,89, a proto je nulová hypotéza o nevýznamnosti faktoru C52 (ročník) zamítnuta. Interakce faktorů C1 a C2 má biologický význam. Hodnota testačního kriteria je 75,66 a je vyšší než kvantil Fisherova-Snedecorova rozdělení F(1, 11) = 4,84, proto je i tato nulová hypotéza zamítnuta. Oba faktory C1 druh plodiny a C2 ročník jsou tedy významné, včetně jejich interakce. Pořadí úrovní Počet Průměr Suma Úroveň faktoru C1 bloků Medián pořadí pořadí Friedmanův test Testovací Spočtená Test kriterium hladina dobré shody Vazby (Q) SV významnosti α (W) Ignorovány Uvažovány Multiplicita 6
19 Počet Průměr Suma Úroveň faktoru C2 bloků Medián pořadí pořadí Friedmanův test Testovací Spočtená Test kriterium hladina dobré shody Vazby (Q) SV významnosti α (W) Ignorovány Uvažovány Multiplicita 6 Závěr: Pro faktor C1 je spočtená hladina významnosti vyšší než α = 0,05, a proto nelze zamítnout hypotézu o nevýznamnosti faktoru C1. Z hodnoty Kendallova koeficientu dobré shody je možno usuzovat na jistou variabilitu mezi hladinami faktoru C1. Pro faktor C2 je spočtená hladina významnosti menší než α = 0,05 a je tudíž nulová hypotéza o nevýznamnosti faktoru C2 zamítnuta. Mnohonásobné porovnání Bonferroniho párové porovnání Faktor A: C1, Odezva: C3, Alpha = 0.050, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C1 Počet Průměr úrovně faktoru C E E E E , 4, 2, 1, 6, 5 Faktor B: C2, Odezva: C3, Alpha = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C2 Počet Průměr úrovně faktoru C E E , 2
20 Response: C3 Faktor AB: C1,C2, Odezva: C3, Alpha = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C1,C2 Počet Průměr úrovně faktoru C1,C2 4,2 4 0 (7,1) 4,3 4 0 (7,1) 2, (7,1) 5, (7,1) 3, (7,1) 1, (7,1) 6, (7,1) 3, (7,1) 3, (7,1) 2, (7,1) 2, (7,1) 4, (7,1) 7, (7,1) 1, (7,1) 7, (7,1) 1, (7,1) 6, (7,1) 5, (7,1) 6, (7,1) 5, (7,1) 7, (4,2), (4,3), (2,3), (5,3), (3,2), (1,3) (6,3), (3,3), (3,1), (2,2), (2,1), (4,1) (7,3), (1,2), (7,2), (1,1), (6,2), (5,2) (6,1), (5,1) Scheffého vícenásobné porování Faktor A: Data: C3, C1, Alpha = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C1 Počet Průměr úrovně faktoru C E E E E , 4, 2, 1, 6, 5 Faktor B: C2, Data: C3, Alpha = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C2 Počet Průměr úrovně faktoru C E E , 2
21 Faktor AB: C1, C2, Odezva: C3, α = 0.05, SV = 63, MSE= E-03, Kritická hodnota = Liší se od Úroveň faktoru C1,C2 Počet Průměr úrovně faktoru C1,C2 4,2 4 0 (7,1) 4,3 4 0 (7,1) 2, (7,1) 5, (7,1) 3, (7,1) 1, (7,1) 6, (7,1) 3, (7,1) 3, (7,1) 2, (7,1) 2, (7,1) 4, (7,1) 7, (7,1) 1, (7,1) 7, (7,1) 1, (7,1) 6, (7,1) 5, (7,1) 6, (7,1) 5, (7,1) 7, (4,2), (4,3), (2,3), (5,3), (3,2), (1,3) (6,3), (3,3), (3,1), (2,2), (2,1), (4,1) (7,3), (1,2), (7,2), (1,1), (6,2), (5,2) (6,1), (5,1) Tukey-Kramerovo porovnání Faktor: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C1 Počet Průměr úrovně faktoru C E E E E , 4, 2, 1, 6, 5 Faktor B: C2, Data: C3, Alpha = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C2 Počet Průměr úrovně faktoru C E E , 2
22 Faktor AB: C1,C2, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Kritická hodnota = Liší se od Úroveň faktoru C1,C2 Počet Průměr úrovně faktoru C1,C2 4,2 4 0 (7,1) 4,3 4 0 (7,1) 2, (7,1) 5, (7,1) 3, (7,1) 1, (7,1) 6, (7,1) 3, (7,1) 3, (7,1) 2, (7,1) 2, (7,1) 4, (7,1) 7, (7,1) 1, (7,1) 7, (7,1) 1, (7,1) 6, (7,1) 5, (7,1) 6, (7,1) 5, (7,1) 7, (4,2), (4,3), (2,3), (5,3), (3,2), (1,3) (6,3), (3,3), (3,1), (2,2), (2,1), (4,1) (7,3), (1,2), (7,2), (1,1), (6,2), (5,2) (6,1), (5,1) Plánované porovnání: A1 Faktor A: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Porovnávaná hodnota = , t-test = , Prob> T = , Závěr testu (0.05) = H 0 zamítnuta, Standardní chyba porovnávané hodnoty = , Konfidenční interval porovnávané hodnoty = to Váhový Sloupec koeficient Počet Průměr E E E E Plánované porovnání: A2 Faktor: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Porovnávaná hodnota = , t- test = , Prob> T = , Závěr testu (0.05) = H 0 zamítnuta, Standardní chyba porovnávané hodnoty = , konfindenční interval porovnávané hodnoty = to
23 Váhový Sloupec koeficient Počet Průměr E E E E Plánované porovnání: A3 Faktor: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Porovnávaná hodnota = , t-test = , Prob> T = , Závěr testu (0.05) = H 0 zamítnuta, Standardní chyba porovnávané hodnoty = , Konfidenční interval porovnávané hodnoty = to Váhový Sloupec koeficient Počet Průměr E E E E Plánované porovnání: A4 Faktor: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Porovnávaná hodnota = , t-test = , Prob> T = , Závěr testu (0.05) = H 0 zamítnuta, Standardní chyba porovnávané hodnoty = E-02, Konfidenční interval porovnávané hodnoty = to Váhový Sloupec koeficient Počet Průměr E E E E Plánované porovnání: A5 Faktor: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Porovnávaná hodnota = , t-test = , Prob> T = , Závěr testu (0.05) = H 0 zamítnuta, Standardní chyba porovnávané hodnoty = E-02, Konfidenční interval porovnávané hodnoty = to Váhový Sloupec koeficient Počet Průměr E E E-04
24 E Plánované porovnání: A6 Faktor: C1, Odezva: C3, α = 0.05, SV = 63, MSE = E-03, Porovnávaná hodnota = , t-test = , Prob> T = , Závěr testu (0.05) = H 0 zamítnuta, Standardní chyba porovnávané hodnoty = E-02, Konfidenční interval porovnávané hodnoty = to Váhový Sloupec koeficient Počet Průměr E E E E Plánované porovnání: B1 Faktor: C2, Odezva: C3, α = 0.05, SV = 63, MSE= E-03, Porovnávaná hodnota = , t-test = , Prob> T = , Závěr testu (0.05)= H 0 zamítnuta, Standardní chyba porovnávané hodnoty = E-02, Konfidenční interval porovnávané hodnoty = to Váhový Sloupec koeficient Počet Průměr E E-04 Plánované porovnání: B2 Faktor: C2, Odezva: C3, α = 0.05, SV = 63, MSE= E-03, Porovnávaná hodnota = E-03, t-test = , Prob> T = , Závěr testu (0.05) = H 0 přijata, Standardní chyba porovnávané hodnoty = , Konfidenční interval porovnávané hodnoty = E-02 to E-02 Váhový Sloupec koeficient Počet Průměr E E-04 Závěr: Z výsledků uvedených metod párového porovnání vyplývá, že statisticky významně odlišnou skupinou je úroveň faktoru C1 = 7 (žito) a C2 = 1 (rok pokusu 2011).
25 Grafy a diagramy Means of C Means of C C C C C C1 Means of C3 C C C2 Závěr úlohy Z výsledků analýzy vyplývá, že oba faktory: druh plodiny i ročník ovlivňují míru napadení porostů houbou Fusarium culmorum. Statisticky významný rozdíl byl nalezen u vzorků žita pěstovaných v roce 2011.
5 ANALÝZA ROZPTYLU. Počet sloupců, K = 7 Počet dat, N = 70 Celkový průměr = 3.9846
1 5 ANALÝZA ROZPTYLU Vzorová úloha 5.1 Zkrácený postup jednofaktorové analýzy rozptylu Na úloze B5.02 Porovnání nové metody v sedmi laboratořích ukážeme postup 16 jednofaktorové analýzy rozptylu. Kirchhoefer
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Pythagoras Statistické zpracování experimentálních dat Semestrální práce ANOVA vypracoval: Ing. David Dušek
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat ANOVA Zdravotní ústav se sídlem v Ostravě Odbor hygienických laboratoří
VíceAnalýza rozptylu ANOVA
Licenční studium Galileo: Statistické zpracování dat ANOVA ANOVA B ANOVA P Analýza rozptylu ANOVA Semestrální práce Lenka Husáková Pardubice 05 Obsah Jednofaktorová ANOVA... 3. Zadání... 3. Data... 3.3
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 15. licenční studium INTERAKTIVNÍ STATISTICKÁ ANALÝZA DAT Semestrální práce ANOVA 2015
VíceANOVA. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie ANOVA Semestrální práce Licenční studium Galileo Interaktivní statistická analýza dat Brno 2015 Ing. Petra Hlaváčková, Ph.D.
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět ANOVA analýza rozptylu
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
VícePYTHAGORAS Statistické zpracování experimentálních dat
UNIVERZITA PARDUBICE Fakulta chemicko-technologická, Katedra analytické chemie SEMESTRÁLNÍ PRÁCE Květen 2008 Licenční studium PYTHAGORAS Statistické zpracování experimentálních dat Předmět 1.4 ANOVA a
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce ANALÝZA
VíceJednofaktorová analýza rozptylu
Jednofaktorová analýza rozptylu David Hampel Ústav statistiky a operačního výzkumu, Mendelova univerzita v Brně Kurz pokročilých statistických metod Global Change Research Centre AS CR, 5 7 8 2015 Tato
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA. Semestrální práce
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015 Doc. Mgr. Jan Muselík, Ph.D.
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba lineárních regresních modelů 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha 1 Porovnání regresních přímek u jednoduchého lineárního regresního modelu Porovnání
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Testy hypotéz na základě více než 2 výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testy hypotéz na základě více než 2 výběrů Na analýzu rozptylu lze pohlížet v podstatě
VíceStatistika, Biostatistika pro kombinované studium. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2014/2015 Tutoriál č. 6: ANOVA Jan Kracík jan.kracik@vsb.cz Obsah: Testování hypotéz opakování ANOVA Testování hypotéz (opakování) Testování
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceAnalýza rozptylu. Podle počtu analyzovaných faktorů rozlišujeme jednofaktorovou, dvoufaktorovou a vícefaktorovou analýzu rozptylu.
Analýza rozptylu Analýza rozptylu umožňuje ověřit významnost rozdílu mezi výběrovými průměry většího počtu náhodných výběrů, umožňuje posoudit vliv různých faktorů. Podle počtu analyzovaných faktorů rozlišujeme
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
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.
VícePředpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2
Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik
VíceProblematika analýzy rozptylu. Ing. Michael Rost, Ph.D.
Problematika analýzy rozptylu Ing. Michael Rost, Ph.D. Úvod do problému Již umíte testovat shodu dvou středních hodnot prostřednictvím t-testů. Otázka: Jaké předpoklady musí být splněny, abyste mohli použít
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
VíceSTATISTICA Téma 7. Testy na základě více než 2 výběrů
STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm
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
VícePorovnání dvou výběrů
Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů
VíceTestování statistických hypotéz
Testování statistických hypotéz Na základě náhodného výběru, který je reprezentativním vzorkem základního souboru (který přesně neznáme, k němuž se ale daná statistická hypotéza váže), potřebujeme ověřit,
VíceÚvod do analýzy rozptylu
Úvod do analýzy rozptylu Párovým t-testem se podařilo prokázat, že úprava režimu stravování a fyzické aktivity ve vybrané škole měla vliv na zlepšené hodnoty HDLcholesterolu u školáků. Pro otestování jsme
VíceDva případy chybného rozhodnutí při testování: a) Testační statistika padne mimo obor přijetí nulové H hypotézy O, tj.
Uvedeme obecný postup statistického testování:. Formulace nulové H 0a alternativní hpotéz H A.. Volba hladin významnosti α.. Volba testační statistik např... Určení kritického oboru testové charakteristik.
VíceAnalýza rozptylu. Ekonometrie. Jiří Neubauer. Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel
Analýza rozptylu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO Brno) Analýza rozptylu 1 / 30 Analýza
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
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
VíceÚloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat )
Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat ) Zadání : Čistota vody v řece byla denně sledována v průběhu 10 dní dle biologické spotřeby kyslíku BSK 5. Jsou v
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
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
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
VíceÚloha 1: Lineární kalibrace
Úloha 1: Lineární kalibrace U pacientů s podezřením na rakovinu prostaty byl metodou GC/MS měřen obsah sarkosinu v moči. Pro kvantitativní stanovení bylo nutné změřit řadu kalibračních roztoků o různé
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Vedoucí studia a odborný garant: Prof. RNDr. Milan Meloun, DrSc. Vyučující: Prof. RNDr. Milan Meloun, DrSc. Autor práce: ANDRII
VíceVzorová prezentace do předmětu Statistika
Vzorová prezentace do předmětu Statistika Popis situace: U 3 náhodně vybraných osob byly zjišťovány hodnoty těchto proměnných: SEX - muž, žena PUVOD Skandinávie, Středomoří, 3 západní Evropa IQ hodnota
VíceSEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI
SEMESTRÁ LNÍ PRÁ CE Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI Předmě t ANOVA A ZÁ KON PROPAGACE CHYB U JEDNOROZMĚ RNÝ CH DAT Ú stav experimentá lní biofarmacie, Hradec
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba nelineárních regresních modelů v analýze dat. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba nelineárních regresních modelů v analýze dat 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha Nalezení vhodného modelu pro popis reakce TaqMan real-time PCR
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel
VíceA 4 9 18 24 26 B 1 5 10 11 16 C 2 3 8 13 15 17 19 22 23 25 D 6 7 12 14 20 21
Příklad 1 Soutěž o nelepší akost výrobků obeslali čtyři výrobci A, B, C, D celkem 26 výrobky. Porota sestavila toto pořadí (uveden pouze původ výrobku od nelepšího k nehoršímu): Pořadí 1 2 3 4 5 6 7 8
VíceTesty statistických hypotéz
Testy statistických hypotéz Statistická hypotéza je jakýkoliv předpoklad o rozdělení pravděpodobnosti jedné nebo několika náhodných veličin. Na základě náhodného výběru, který je reprezentativním vzorkem
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 8. Analýza rozptylu Mgr. David Fiedor 13. dubna 2015 Motivace dosud - maximálně dva výběry (jednovýběrové a dvouvýběrové testy) Příklad Na dané hladině významnosti α = 0,05
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 4 Jak a kdy použít parametrické a
VíceADDS cviceni. Pavlina Kuranova
ADDS cviceni Pavlina Kuranova Testy pro dva nezávislé výběry Mannův Whitneyho test - Založen na Wilcoxnově statistice W - založen na pořadí jednotlivých pozorování (oba výběry spojeny do jednoho celku)
VíceCvičení 9: Neparametrické úlohy o mediánech
Cvičení 9: Neparametrické úlohy o mediánech Úkol 1.: Párový znaménkový test a párový Wilcoxonův test Při zjišťování kvality jedné složky půdy se používají dvě metody označené A a B. Výsledky: Vzorek 1
VícePříloha č. 1 Grafy a protokoly výstupy z adstatu
1 Příklad 3. Stanovení Si metodou OES Byly porovnávány naměřené hodnoty Si na automatickém analyzátoru OES s atestovanými hodnotami. Na základě testování statistické významnosti regresních parametrů (úseku
VíceStatistika. Testování hypotéz - statistická indukce Parametrické testy. Roman Biskup
Statistika Testování hypotéz - statistická indukce Parametrické testy Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 1. února 01 Statistika by Birom
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
VíceStatistika. Testování hypotéz statistická indukce Neparametrické testy. Roman Biskup
Statistika Testování hypotéz statistická indukce Neparametrické testy Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika by
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)
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
VícePřednáška IX. Analýza rozptylu (ANOVA)
Přednáška IX. Analýza rozptylu (ANOVA) Princip a metodika výpočtu Předpoklady analýzy rozptylu a jejich ověření Rozbor rozdílů jednotlivých skupin násobné testování hypotéz Analýza rozptylu jako lineární
VíceVYBRANÉ DVOUVÝBĚROVÉ TESTY. Martina Litschmannová
VYBRANÉ DVOUVÝBĚROVÉ TESTY Martina Litschmannová Obsah přednášky Vybrané dvouvýběrové testy par. hypotéz test o shodě rozptylů (F-test), testy o shodě středních hodnot (t-test, Aspinové-Welchův test),
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
VíceZákladní statistické metody v rizikovém inženýrství
Základní statistické metody v rizikovém inženýrství Petr Misák Ústav stavebního zkušebnictví Fakulta stavební, VUT v Brně misak.p@fce.vutbr.cz Základní pojmy Jev souhrn skutečností zobrazujících ucelenou
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 3 Jak a kdy použít parametrické a
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
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
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
Více5. Závislost dvou náhodných veličin různých typů (kategoriální a metrická veličina)
5. Závislost dvou náhodných veličin různých typů (kategoriální a metrická veličina) Cílem tématu je správné posouzení a výběr vhodného testu v závislosti na povaze metrické a kategoriální veličiny. V následující
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
VícePracovní adresář. Nápověda. Instalování a načtení nového balíčku. Importování datového souboru. Práce s datovým souborem
Pracovní adresář getwd() # výpis pracovního adresáře setwd("c:/moje/pracovni") # nastavení pracovního adresáře setwd("c:\\moje\\pracovni") # nastavení pracovního adresáře Nápověda?funkce # nápověda pro
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce STATISTICKÁ
VíceMasarykova univerzita v Brně. Analýza rozptylu. Vypracovala: Marika Dienová
Masarykova univerzita v Brně Přírodovědecká fakulta BAKALÁŘSKÁ PRÁCE Analýza rozptylu Vypracovala: Marika Dienová Vedoucí bakalářské práce: Mgr. Jan Koláček, Ph.D. Brno 2006/2007 Prohlášení Prohlašuji,
VíceSemestrální projekt spočívá v nalezení vhodného datového souboru a jeho statistické analýze s využitím metod probíraných v rámci předmětu.
Semestrální projekt Semestrální projekt spočívá v nalezení vhodného datového souboru a jeho statistické analýze s využitím metod probíraných v rámci předmětu Data Data lze využít vlastní (laboratorní měření,
VíceStatistické metody v ekonomii. Ing. Michael Rost, Ph.D.
Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Proč neparametrické testy? Pokud provádíte formální analýzu či testování hypotéz (zejména provádíte-li
VíceNavrhování experimentů a jejich analýza. Eva Jarošová
Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium
VíceCvičení 12: Binární logistická regrese
Cvičení 12: Binární logistická regrese Příklad: V roce 2014 konalo státní závěrečné zkoušky bakalářského studia na jisté fakultě 167 studentů. U každého studenta bylo zaznamenáno jeho pohlaví (0 žena,
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky SMAD
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: SMAD Cvičení Ostrava, AR 2016/2017 Popis datového souboru Pro dlouhodobý
Více2.2 Kalibrace a limity její p esnosti
UNIVERZITA PARDUBICE Òkolní rok 000/001 Fakulta chemicko-technologická, Katedra analytické chemie LICEN NÍ STUDIUM STATISTICKÉ ZPRACOVÁNÍ DAT PÌI MANAGEMENTU JAKOSTI P EDM T:. Kalibrace a limity její p
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky PRAVDĚPODOBNOST A STATISTIKA Zadání 1 JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÉHO ŠETŘENÍ Vypracovaly: Renata Němcová, Andrea Zuzánková, Lenka Vítová, Michaela Ťukalová, Kristýna
VíceStatistická analýza. jednorozměrných dat
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie icenční studium chemometrie Statistické zpracování dat Statistická analýza jednorozměrných dat Zdravotní ústav se sídlem v
VíceStatistické metody uţívané při ověřování platnosti hypotéz
Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy
VíceUNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE
UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT V OSTRAVĚ 20.3.2006 MAREK MOČKOŘ PŘÍKLAD Č.1 : ANALÝZA VELKÝCH VÝBĚRŮ Zadání: Pro kontrolu
VíceTVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Semestrální práce Licenční studium Galileo Interaktivní statistická analýza
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...........................................
VíceStatistická analýza jednorozměrných dat
Univerzita Pardubice Fakulta chemicko-technologická, Katedra analytické chemie Licenční studium GALILEO Interaktivní statistická analýza dat Semestrální práce z předmětu Statistická analýza jednorozměrných
VíceKvantitativní detekce houbových patogenů v rostlinných pletivech s využitím metod molekulární biologie
Kvantitativní detekce houbových patogenů v rostlinných pletivech s využitím metod molekulární biologie Leona Leišová Přírodovědecká fakulta UK, Praha 2009 Metody kvantifikace: Nepřímé metody odhad míry
VíceSemestrální práce. 2. semestr
Licenční studium č. 89002 Semestrální práce 2. semestr Tvorba lineárních regresních modelů při analýze dat Příklad 1 Porovnání dvou regresních přímek u jednoduchého lineárního regresního modelu. Počet
VíceUni- and multi-dimensional parametric tests for comparison of sample results
Uni- and multi-dimensional parametric tests for comparison of sample results Jedno- a více-rozměrné parametrické testy k porovnání výsledků Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Universita
VíceNeparametrické metody
Neparametrické metody Dosud jsme se zabývali statistickými metodami, které zahrnovaly předpoklady o rozdělení dat. Zpravidla jsme předpokládali normální rozdělení. Např. Grubbsův test odlehlých hodnot
VíceZáklady navrhování průmyslových experimentů DOE
Základy navrhování průmyslových experimentů DOE cílová hodnota Gejza Dohnal střední hodnota cílová hodnota 1. Kolik je základních kroků při plánování experimentů? 2. Jaké jsou základní kroky při plánování
VíceTESTOVÁNÍ STATISTICKÝCH HYPOTÉZ ZÁKLADNÍ POJMY
TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ ZÁKLADNÍ POJMY Statistická hypotéza je určitá domněnka (předpoklad) o vlastnostech ZÁKLADNÍHO SOUBORU. Test statistické hypotézy je pravidlo (kritérium), které na základě
Více(motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination.
Neparametricke testy (motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination. Andrew Lang) 1. Příklad V následující tabulce jsou
VíceZáklady navrhování průmyslových experimentů DOE
Základy navrhování průmyslových experimentů DOE cílová hodnota IV. Vícefaktoriální experimenty Gejza Dohnal střední hodnota cílová hodnota Příklad Příklad Matice návrhu: Příklad Pravděpodobnostní graf
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
Víceletní semestr 2012 Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 Opakování t- vs. neparametrické Wilcoxonův jednovýběrový test Opakování
VíceStručný úvod do testování statistických hypotéz
Stručný úvod do testování statistických hypotéz 1. Formulujeme hypotézu (předpokládáme, že pozorovaný jev je pouze náhodný). 2. Zvolíme hladinu významnosti testu a, tj. riziko, s nímž jsme ochotni se smířit.
VíceTestování statistických hypotéz. Obecný postup
poznámky k MIII, Tomečková I., poslední aktualizace 9. listopadu 016 9 Testování statistických hypotéz Obecný postup (I) Vyslovení hypotézy O datech vyslovíme doměnku, kterou chceme ověřit statistickým
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
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
VíceDVOUVÝBĚROVÉ A PÁROVÉ TESTY Komentované řešení pomocí programu Statistica
DVOUVÝBĚROVÉ A PÁROVÉ TESTY Komentované řešení pomocí programu Statistica Úloha A) koncentrace glukózy v krvi V této části posoudíme pomocí párového testu, zda nový lék prokazatelně snižuje koncentraci
VícePrůzkumová analýza dat
Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se
VíceANALÝZA ROZPTYLU (ANOVA)
ANALÝZA ROZPTYLU (ANOVA) 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)
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie na téma Tvorba nelineárních regresních modelů v analýze dat Vedoucí licenčního studia Prof. RNDr.
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
Více