Klíčová slova: srovnání metod, lineární regrese, Demingova regrese, Bland-Altmanův graf, statistická analýza
|
|
- Květoslava Brožová
- před 5 lety
- Počet zobrazení:
Transkript
1 Česká kinantropologie 6, 1997, 2, s Statistické přístupy k porovnání biomedicínských metod měření Jan Hendl Katedra základů kinantropologie a humanitních věd Univerzita Karlova v Praze, fakulta tělesné výchovy a sportu Souhrn Cílem příspěvku je poskytnout přehled o novějších grafických a statistických postupech, které jsou užitečné při srovnávání metod měření v biomedicínské oblasti. Zvláště se věnujeme posouzení jednoduché lineární regrese, jednoduché Demingovy regrese, Passing-Bablokovy regrese, Bland-Altmanova grafu a Demingova grafu, párového t- testu a korelačního koeficientu. Uvádíme některá pravidla pro jejich výběr a použití v dané situaci srovnávání. Klíčová slova: srovnání metod, lineární regrese, Demingova regrese, Bland-Altmanův graf, statistická analýza Úvod Porovnávání metod se provádí, pokud chceme zhodnotit relativní shodu mezi dvěma metodami, které měří stejnou biomedicínskou veličinu. Obvykle se provádí srovnání nově navržené metody s referenční metodou nebo tzv. zlatým standardem, což je metoda, která představuje aktuálně nejlepší metodu vzhledem k parametrům správnosti (systematická chyba) a přesnosti (opakovatelnost výsledků). Srovnání se provádí pomocí dat, které se získaly změřením určitého počtu objektů (např. vzorků krve nebo jedinců) oběma metodami současně. Měření jednoho objektu se provádí jenom jednou nebo několikrát, s cílem získat lepší odhady přesnosti metody nebo průměru změřené hodnoty u daného objektu. Někdy se popsaný sběru dat nazývá srovnávací experiment. Statistické zpracování takových dat využívá grafické metody k vhodné vizualizaci dat a různé analytické metody k numerickému odhadu vztahu mezi oběma metodami a přesnosti takového odhadu. V biomedicínské literatuře se téma výběru a používání 1
2 grafických a statistických technik objevuje poměrně často. Studie o hodnocení nových metod měření jsou totiž pozorně sledovány odbornou veřejností, která má zájem o stále lepší metody. Klinické rozhodování je obvykle závislé na velkém množství parametrů, které se měří nejrůznějšími metodami (v závislosti na výrobci, použitém principu, potřebné kvalitě, kapacitě, rychlosti, robustnosti, ekonomické náročnosti atd.) v mnoha typech klinických laboratoří (Hendl 1983). Také objektivizace stavu sportovce se děje pomocí nejrůznějších parametrů, přičemž naším cílem je jejich aktuální hodnotu změřit správně a spolehlivě. Je proto žádoucí rozvinout metodologii srovnávání metod, zvláště její statistickou část. Blahuš (1976) zpracovává podrobně tuto problematiku v souvislostech měření pohybových schopností a obecněji v rámci teorie testování. Náš příspěvek chce přehledně charakterizovat a vyhodnotit některé novější metodologické poznatky o používání technik pro vyhodnocení dat z porovnávacích pokusů, které se týkají kvantitativních metod měření v biomedicínské oblasti. Nejdříve však zmíníme tradiční postupy a důvody, proč je na místě jistá opatrnost při jejich používání. Korelační koeficient, párový t test a regresní přímka Je důležité vybrat vhodné statistiky pro sumarizaci dat získaných srovnávacím pokusem (Westgard 1974 a 1998). Obvykle se při jejich vyhodnocování používá Pearsonův korelační koeficient, párový t-test a jednoduchá regresní analýza, kde měření získané referenční metodou považujeme za nezávislé proměnou a body prokládáme přímkou. Četnost používání těchto statistik však nemusí být v přímé souvislosti s jejich adekvátností. Citlivost jmenovaných statistik k různým typům analytických chyb je přehledně vyjádřena v tabulce 1. Pouze ty statistiky, které jsou citlivé k předpokládanému typu analytické chyby, jsou užitečné. Vycházíme z modelu měření y = T + S + ε (1) kde y resp. T je naměřená resp. správná hodnota, S systematická chyba, ε náhodná chyba s nulovou střední hodnotou a rozptylem V y (ε). Je důležité si uvědomit, že tento model lze uplatnit jak pro srovnávanou, tak pro referenční metodu. 2
3 U systematické chyby rozlišujeme konstantní složku, která je stejná v celém rozsahu měření a proporcionální složku, která je úměrná hladině měření. Obě tyto složky mohou být způsobeny jinými mechanismy v měřícím procesu. Také V(ε) často závisí na hladině měření. Tab. 1 Korelační koeficient je citlivý k náhodné chybě. Proto se používá ve srovnávacím experimentu. Naneštěstí je citlivý také k rozmezí měření. Často zvětšením rozsahu měření, dosáhneme značného přiblížení korelačního koeficientu k 1. Snad největší chyba spočívá v tom, že přisuzujeme důležitost tomu, že korelační koeficient je významné různý od nuly. Ve srovnávacích experimentech není tento typ uvažování na místě, přesto se údaje o této významnosti pravidelně objevují v hodnotících zprávách. Závažná je skutečnost, že korelační koeficient neodhaluje ani přítomnost proporcionální chyby ani chyby konstantní. Odpůrci korelačního koeficientu tvrdí, že tato statistika by se neměla nikdy používat při hodnocení dat srovnávacích experimentů. Testovací statistiku párového t-testu počítáme pomocí směrodatné odchylky diferencí s d párů měření a průměrné diference m d. Tyto statistiky se uvádějí ve zprávách o srovnávacích experimentech spolu s t-statistikou, kterou počítáme podle vzorce md t = (2) ( s / n) d kde n je počet měřených objektů. Průměrná diference poskytuje hodnověrný odhad systematické chyby pouze v případě, kdy proporcionální chyba není přítomna. Také testování pomocí t-statistiky má význam pouze v této souvislosti. Charakteristika s d kvantifikuje náhodnou chybu způsobenou náhodnými chybami srovnávané i referenční metody. Neodráží specificky chybu srovnávané metody, protože ji zvětšuje náhodná chyba referenční metody. Jestliže se velikosti náhodných chyb mění podle úrovně měření, ovlivňuje to silně hodnotu s d. Tato charakteristika pak odráží průměrnou variabilitu, která se obtížně interpretuje. Bohužel je nutné přihlédnout ke skutečnosti, že s d také odráží proporcionální chybu, kterou je srovnávaná metoda zatížená.testovací statistiku t je nutné používat opatrně také vzhledem k námitkám, které uvádí Blahuš (2000). Lepší je nahradit t-statistku 3
4 intervalem spolehlivosti pro odhad systematické chyby. V českých časopisech se tento obrat (náhrada testů intervaly spolehlivosti) zatím stále moc neprosadil. V jednoduché regresi hledáme přímku ve tvaru y = a + bx (3) minimalizací součtu čtverců odchylek bodů od hledané přímky ve směru kolmém na osu x vzhledem k parametrům regresní přímky (a,b): kde 2 ˆ i i i (4) min S = w( y y ) y = a+ bx ˆi i přičemž váhy w i jsou různé od jedničky pouze při vážené regresi. Tímto způsobem získáme odhad absolutního členu přímky (a), což je průsečík přímky s osou Y a odhad b pro směrnici regresní přímky a odhad chyby při regresi s y.x. Každá z těchto statistik je citlivá k jinému typy chyb. Chyba s y.x odhaduje náhodnou chybu mezi metodami a má stejné omezení jako s d až na to, že s y.x není rušivě ovlivněna přítomností proporcionální systematické chyby. Konstantní chyba se může odhadovat pomocí průsečíku s osou Y a proporcionální chyba pomocí hodnoty 1-b. Celkovou chybu se odhadnout 95 % mezí (a + (1-b)x + 2 s y.x ). Regresní přímka má komplexnější použití, ale i zde musíme uvažovat několik omezení, které jsou způsobeny nelinearitou a odlehlými hodnotami. Jednoduchá lineární regresní analýza se může použít jenom v pásmu lineárního vztahu mezi oběma metodami měření. Nelinearita v datech znehodnocuje odhady absolutního členu i směrnice, což vede ke špatnému odhadu systematické chyby na jednotlivých rozhodovacích hladinách, kde se měření používá. Odhady koeficientů regresní přímky jsou velmi citlivé k vychýleným hodnotám. Proto bychom měli data vždy překontrolovat graficky. Jednoduchá regrese má další dvě omezení: a) neuvažuje náhodnou chybu u referenční metody, b) jedním z jejích předpokladů je konstantnost směrodatné chyby odhadu v celém rozmezí. S porušením předpokladu o stálosti rozptylu kolem regresní přímky se vyrovnáme použitím vážené regrese, pro kterou potřebujeme znát profil změn rozptýlenosti. Podle 4
5 toho volíme příslušné váhy, které jsou nepřímo úměrné rozptýlenosti měření hodnocené metody. Obě tyto metody prokládání přímkou vycházejí z toho, že referenční metoda má mnohem menší velikost náhodné chyby než hodnocená metoda. Při porušení tohoto předpokladu použijeme Demingovu metodu (Deming 1943), kterou se budeme zabývat ve zvláštním odstavci. Obr. 1 Na obr. 1 jsou modelově znázorněny tři přímky proložené body třemi metodamí: a) jednoduchá regrese, kdy y je závisle proměnná b) jednoduchá regrese, kdy x je závisle proměnná c) ortogonální regrese Metoda ortogonální regrese je jednoduchou variantou Demingovy regrese (víz dále). Směr regrese v metodě b) způsobuje, že dostaneme jinou prokládací přímku než v případě a), protože počítáme (podobně jako při ortogonální regresy) s jinými vzdálenostmi bodů od proložené přímky, jejichž čtverce sčítáme, když se opíráme o princip nejmenších čtverců. Nové způsoby zobrazení Některé redakce časopisů (např. Hollis 1996) dnes doporučují nahradit dosavadní statistické postupy přístupem, který navrhli Bland a Altman (1986). Tito autoři považují za optimání grafické znázornění dat pomocí modifikace grafu residuálních hodnot pro regresi, kdy nanášíme na osou y residuální hodnoty a na osu x hodnoty prediktoru. Jejich modifikace spočívá v tom, že na osu Y nanášíme rozdíl hodnot x y získaných referenční a srovnávanou metodou a na osu X jejich průměr (x+y)/2, abychom vyrušili jev regrese k průměru a umělou korelaci mezi hodnotami (x-y) a x. Bland-Altmanův graf, nazývaný též rozdílový graf, adekvátněji hodnotí nepodobnost měření oběma metodami. ve srovnávacích experimentech nás zajímá především rozdíly (x-y) a ne rozdíly hodnot srovnávané metody od regresní přímky. Graf je doplněn o 3 kontrolní čáry, které reprezentují průměr rozdílů, od něhož ještě zakreslíme přímky ve vzdálenosti 1,96s d na obě strany. Tento graf se široce uplatňuje v současné odborné biomedicínské literatuře. Autoři doporučují doplnit tento graf konfidenčním intervalem 5
6 pro průměrný rozdíl, průměrem rozdílů m d a jejich směrodatnou odchylkou s d. Jestliže inspekce odhalí trend v rozdílech (x-y), počítáme ještě korelaci mezi hodnotami (x-y) a (x+y)/2 a její statistickou významnost. Tato analýza posuzuje přítomnost proporcionální chyby. Bland-Altmanův graf je dnes populárnější než Demingův graf, který byl navržen mnohem dříve. Jeho idea spočívá v nanášení na osu Y poměru y/x a na osou Y hodnoty naměřené referenční metodou. Tento graf se doporučuje, pokud náhodná chyba metody roste s rostoucími hodnotami x. Jestliže zobrazujeme hodnoty (x,y) běžným bodovým grafem, doporučuje se v případě srovnávání metod zachovat na osách X a Y stejný rozsah hodnot a do grafu zakreslit přímku y=x. Rozdílový graf podle Blanda a Altmana např. použili Clasey et al. v práci o validititě metod pro měření složení těla u mladých a starších mužů a žen (n=74). Porovnávali celkem pět metod s referenční metodou, za kterou zvolili 4 kompartmentovou metodu Heymsfield 4-comp. Na obr. 2 je znázorněn vztah mezi metodou DEXA a referenční metodou v této studii, kde hodnoty odpovídající jedincům z jednotlivých skupin jsou označeny různými symboly. Kontrolní čáry jsou ve vzdálenosti 2s d od průměru rozdílů. Obr. 2 Demingova a Passing-Bablokova regrese Protože náhodné chyby ovlivňují jak srovnávanou tak referenční metodu není model jednoduché regrese adekvátní. Deming (1943) navrhl hledat vztah mezi hodnocenou a referenční metodou pomocí vážené regrese, kdy předpokládáme, že správné hodnoty jsou vázané lineárním vztahem a výsledky měření oběma metodami jsou zatíženy náhodnými chybami: x = xˆ + ε i i i y = yˆ + δ i i i (5) Optimální řešení dostaneme, když minimalizujeme vážený součet čtverců chyb vzhledem k parametrům regresní přímky (a,b): 2 2 ˆ ˆ i i i i i (6) min S = w( y y ) + v ( x x ) 6
7 kde yˆ = a+ bxˆ i i Z analýzy celé procedury plyne, že Demingova metoda hledá přímku, která minimalizuje součet čtverců vzdáleností bodů od přímky, přičemž vzdálenosti se měří pod úhlem od regresní přímky, který je závislý na poměru rozptylů charakterizujících náhodnou chybu obou metod (V x (ε)/v y (ε) = λ). Jestliže V x (ε) má nulovou hodnotu (nebo relativně malou vůči V y (ε)), získáme přímku odpovídající jednoduché regresi. Jestliže koeficient λ má hodnotu rovnou jedné, pak jsme získali přímku odpovídající hlavní komponentě. V tomto případě měříme vzdálenost kolmo na hledanou přímku. Z tohoto důvodu se celé proceduře někdy říká ortogonální regrese. Jestliže platí, že V x (ε)/v y (ε) = s x /s y, získáme přímku odpovídající standardizované hlavní komponentě. Zajímavé je, že explicitní tvar odhadu směrnice přímky má v tomto případě jednoduchou podobu b= s y /s x. Protože navíc uvedený předpoklad odpovídá často se vyskytujícím poměrů v datech, doporučuje se tento způsob proložení jako dobrá alternativa pro jednoduchou regresi. Všechny přímky získané Demingovou metodou procházejí těžištěm (m x, m y ). Z této vlastnosti odvodíme tvar pro odhad absolutního členu (srov. Zvára 1989, s.187). Uvedené způsoby regrese používají v explicitních výrazech pro odhad regresního koeficientu korelační koeficient a směrodatné odchylky. Naneštěstí tyto statistiky jsou velmi citlivé vůči vychýleným hodnotám. To vede k úvahám pokusit se pro parametry regresní přímky navrhnout neparametrickou proceduru. Tímto směrem postupovali Passing a Bablok (1983). Jejich procedura odhaduje regresní koeficient jako medián z částečných odhadů tohoto koeficientu předpisem: y bij = i à xi à y u x j (7) Absolutní člen regresní přímky se odhaduje jako medián z hodnot: a i = y i - bx i Passing a Bablok navrhli svojí neparametrickou metodu s cílem, aby jejich odhad byl kvalitní pro případ, že obě metody jsou zatíženy náhodnou chybou. V případě potřeby testujeme pomocí vhodných statistik specifické hypotézy o parametrech regresní přímky. Nejčastěji se zaměřujeme na hypotézu (a,b) = (0,1), která 7
8 odpovídá identitě obou metod. Příslušné statistiky najdeme v citované literatuře. Pro nejvíce potřebné výpočty odhadů regresní přímky, intervalů spolehlivost i sestrojení grafu pro všechny zde uvedené eventuality lze využít volně dostupný program P. Marquise (2002). Diskuse Čtenáři je potřebné zprostředkovat data o srovnávacím experimentu nejenom několika shrnujícími číselnými charakteristikami, ale i grafickým zobrazením. V mnoha srovnávacích studiích dnes autoři zcela vynechávají zobrazení pomocí standardního bodového grafu a nahrazují ho Bland-Altmanovým grafem. Hylfolt et al. (1997) vyhodnocovali vhodnost různých typů grafů, které se používají ve zprávách o srovnávacích experimentech. Jestliže je úkolem nalézt nejlepší funkční vztah mezi oběma metodami, pak použijeme bodový graf s nakreslenou regresní funkcí (přímkou). Ve srovnávacích experimentech však jde o zkoumání identity metod. V takovém případ je lepší data zobrazit rozdílovým grafem. Hylfolt et al. kritizují znázorňování pásů přijatelnosti přímkami ve vzdálenosti 1,96s d od průměru rozdílů doporučené Blandem a Altmanem, protože tyto čáry nevypovídají nic o potřebné kvalitě metody. Tyto čáry se uplatňují při identifikaci vychýlených hodnot, ale pro posouzení podobnosti metod, je lepší čáry volit na základě přijatých kritérií o celkové povolené chybě. Výhodou Demingovy i Passing-Bablokovy metody je, že obě dávají na rozdíl od jednoduché regrese metodou nejmenších čtverců jedinou prokládající přímku a zohledňují přítomnost náhodné chyb u hodnocené i referenční metody. Tyto metody analýzy nemají takovou popularitu jako rozdílový graf. Tradice používání korelačního koeficientu a jednoduché lineární regrese je stále silná. Přispívá k tomu i okolnost, že pokud autoři chtějí své výsledky srovnat z předešlými studiemi, musejí použít podobné statistické zpracování. Složitější parametrické způsoby prokládání není potřebné provádět, pokud korelační koeficient je větší než 0,99, protože pak jsou si všechna řešení prakticky rovná. V každém případě nalezené přímky procházejí těžištěm dat (m x, m y ) a nacházejí se v pásu který je určen oběma jednoduchými regresemi. Ten se zužuje s rostoucím korelačním koeficientem. 8
9 Passing a Bablok (1984) při popisu svého návrhu nové neparametrické metody uvedli výsledky simulační studie, v které srovnávali dosavadní způsoby prokládání dat přímkou. Uzavřeli, že obě metody (jednoduchá regrese a metoda hlavních komponent) jsou buď neadekvátní nebo málo přesné při porušení příslušných předpokladů ve srovnání s neparametrickou. Jejich výsledky podpořily rozšíření této metody v evropském prostoru. Linnet (1993) o 10 let později pomocí simulace a skutečných dat porovnával chování pěti metod (jednoduchá a vážená regrese, neparametrická regrese, Demingova základní metoda a rozšířená Demingova metoda při nekonstantním profilu rozptylu chyb). Zjistil nejlepší chování pro Demingovu obecnou metodu a v mnoha případech i pro Demingovu metodu při konstantním poměru rozptylů. K Passing-Bablokově metodě autor poznamenává, že dává nestranné výsledky pouze v případě, kdy složky náhodné chyby jsou u obou srovnávaných laboratorních metod stejné. Výhoda této metody spočívá hlavně v tom, že je resistentní vůči vychýleným hodnotám. Tato studie podpořila rozšíření Demingovy metody ve Spojených státech. Závěr a doporučení Před hodnocením srovnatelnosti metod je nutné se seznámit s příslušnou metodologií, která se v posledních letech neustále vyvíjela (Westgard 1998; Hendl, Kratochvíla 1983). Korelační koeficient by se neměl používat při odhadování a posuzování chyb měření hodnocené metody a nikdy neuvádíme jeho statistickou významnost. Může být užitečný pro vyhodnocení rozsahu použitého analytického rozmezí a při volbě metody pro proložení dat přímkou. Odhady analytických chyb pomocí párového t-testu a přidružených charakteristik použijeme, pokud není přítomna proporcionální složka systematické chyby a pokud průměr m x leží blízko hladině, která je pro rozhodování pomocí laboratorního měření důležitá. Uvedeme pak také interval spolehlivosti pro průměr diferencí a charakteristiky m x, s x, m d a s d. Nejlepší odhady systematických chyb získáme odhadem regresní přímky, kdy se doporučuje uvést parametry (a,b), s y.x, m x a s x. Testy o parametrech (a,b) regresní 9
10 přímky provádíme pomocí intervalů spolehlivosti. K nalezení přímky využijeme metodu standardizované hlavní komponenty nebo obecné Demingovy regrese, jestliže r je menší než 0,99 a graf neodhalil přítomnost vychýlených hodnot. Data graficky znázorňujeme Bland-Altmanovým grafem diferencí s vynesenými rozhodovacími mezemi, které jsou odvozené z požadované přesnosti a správnosti měření v daném kontextu rozhodovací situace v terénu. Pokud zdůrazňujeme mnohorozměrnost problému srovnání více měřících metod, použijeme mnohorozměrnou strukturní analýzu (Feldman, Schneider 1981), která se opírá o zobecnění modelu Deminga (1943). 10
11 Literatura 1. BLAHUŠ, P. Statistická významnost proti vědecké průkaznosti výsledků výzkumu. Čes. kinantropologie, 2000, 4(2), s BLAHUŠ, P. K teorii testování pohybových schopností. Praha : Univerzita Karlova, BLAND, J.M., ALTMAN, D. G. Statistical methods for assessing agreement between two methods of clinical measurement. Lancet, 1986; 1, s CLASEY,J. L., KANALEY,J. A. et al. Validity of methods of body composition assessment in young and older men and women. J. Appl.Phys., 1999, 86, 5, s DEMING,W.E. Statistical adjustment of data. New York : John Wiley & Sons, FELDMAN, U., SCHIDER, B. et al. A multivariate approach for the biometric of analytical mehods in clinical chemistry. J Clin Chem Clin Biochem 1981, 21, s HENDL, J., KRATOCHVÍLA, J. Statistické principy vyhodnocování kvality laboratorních metod. Praha : Knižnice Institutu pro další vzdělávání lékařů, HOLLIS, S. Analysis of method comparison studies [Editorial]. Ann. Clin. Biochem., 1996, 33, s HYLTOFT, P., P, STÖCKL, D. et al. Graphical interpretation of analytical data from comparison of a field method with a reference method by use of difference plots [Opinion]. Clin. Chem.,1997, 43, s LINT, K. Evaluation of regression procedures for method comparison studies. Clin. Chem., 1993, 39, s MARQUIS, P. Method Validator. A computer programm. ( vystaveno ) 12. PASSING, H, BABLOK, W. A new biometrical procedure for testing the equality of measurements from two different analytical methods. Application of linear regression procedures for method comparison studies in clinical chemistry, Part I. J Clin. Chem. Clin. Biochem., 1983, 21, s
12 13. PASSING, H, BABLOK, W. Comparison of several regression procedures for method comparison studies and determination of sample sizes. Application of linear regression procedures for method comparison studies in clinical chemistry, Part II. J. Clin. Chem. Clin. Biochem.,1984, 22, s WESTGARD J.O., CAREY, R. N, WOLD, S. Criteria for judging precision and accuracy in method development and evaluation. Clin. Chem., 1974, 20, s WESTGARD, J.O. Points of care in using statistics in method comparison studies [Editorial]. Clin. Chem., 1998, 44, s ZVÁRA, K. Regresní analýza. Praha : Akademia,
13 Statistical approaches for biomedical methods comparison studies The aim of this article is to present a panel of practical graphical and statistical procedures useful to solve problem of data analysis in method comparison studies in biomedicine. Specificaly we describe ordinary linear regression and simple Deming regresson procedures, Passing-Bablok regression, Bland-Altman and Deming plots, paired t-test and correlation coeficient. Some hints are given to allow selection of appropriate methods for actual situation. Keywords: method comparison, linear regression, Deming regression, Bland-Altman plot, statistical analysis doc.rndr. Jan Hendl UK FTVS, J. Martiho 31, Praha 6 hendl@ftvs.cuni.cz 13
14 Obr. 2 Proložení shluku bodů třemi metodami nejmenších čtverců s označením vzdáleností bodů, z kterých se počítají druhé mocniny. a) jednoduchá regrese, kdy y je závisle proměnná b) jednoduchá regrese, kdy x je závisle proměnná c) ortogonální regrese Vzdálenost pro ortogonální regresi m y Vzdálenost pro regresi, kde y je závisle proměnná Vzdálenost pro regresi, kde x je závisle proměnná m x 14
15 Obr. 1 Příklad použití rozdílový grafu podle Bland a Altmana pro srovnání dvou metod měření složení těla (4). 15
16 Tab. 1 Citlivost různých charakteristik při odhalování jednotlivých typů chyb měření Chyba Náhodná Konstantní Typy chyb Proporcionální Statistika Lin. regrese Směrnice ANO Průsečík ANO Chyba odhadu s y.x ANO Párový t-test Průměr diferencí ANO ANO Párová.směr.odch. ANO ANO Korelační koef. r ANO 16
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality RNDr. Alena Mikušková FN Brno Pracoviště dětské medicíny, OKB amikuskova@fnbrno.cz Analytické znaky laboratorní metody
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
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
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).
VíceNÁVOD K POUŽITÍ VÁPNÍK 600 KATALOGOVÉ ČÍSLO 207
NÁVOD K POUŽITÍ VÁPNÍK 600 KATALOGOVÉ ČÍSLO 207 POUŽITÍ Souprava Vápník 600 se používá ke kvantitativnímu stanovení koncentrace vápenatých iontů v séru a moči. SOUHRN V lidském organismu je vázána převážná
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).
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
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).
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,
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
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
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
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),
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
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
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
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
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
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
Více=10 =80 - =
Protokol č. DĚDIČNOST KVALITATIVNÍCH VLASTNOSTÍ ) Jednorozměrné rozdělení fenotypové charakteristiky (hodnoty) populace ) Vícerozměrné rozdělení korelační a regresní počet pro dvě sledované vlastnosti
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
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
VíceRegrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA
Regrese používáme tehd, jestliže je vsvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA Specifikace modelu = a + bx a závisle proměnná b x vsvětlující proměnná Cíl analýz Odhadnout hodnot
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
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
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
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
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
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
VíceIntervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr
StatSoft Intervalový odhad Dnes se budeme zabývat neodmyslitelnou součástí statistiky a to intervaly v nejrůznějších podobách. Toto téma je také úzce spojeno s tématem testování hypotéz, a tedy plynule
VíceEXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,
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
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
Vícemezi studenty. Dále bychom rádi posoudili, zda dobrý výsledek v prvním testu bývá doprovázen dobrým výsledkem i v druhém testu.
Popisná statistika Slovní popis problému Naším cílem v této úloze bude stručně a přehledně charakterizovat rozsáhlý soubor dat - v našem případě počty bodů z prvního a druhého zápočtového testu z matematiky.
VíceKalibrace analytických metod
Kalibrace analytických metod Petr Breinek BC_Kalibrace_2010 Měřící zařízení (zjednodušeně přístroje) pro měření fyzikálních veličin musí být výrobci kalibrovaná Objem: pipety Teplota (+37 C definovaná
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
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
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
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
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
Vícelaboratorní technologie
Kreatinin srovnání metod pro stanovení hladiny v moči D. Friedecký, R. Hušková, P. Chrastina, P. Hornik a T. Adam Kreatinin je jedním z nejčastěji stanovovaných analytů v biochemické laboratoři. V tomto
VíceMATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ
MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),
VíceAplikovaná statistika v R - cvičení 3
Aplikovaná statistika v R - cvičení 3 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.8.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.8.2014 1 / 10 Lineární
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
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
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
VíceParametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =
Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.
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
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
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
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)
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
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
VíceTechnická univerzita v Liberci
Technická univerzita v Liberci Ekonomická fakulta Analýza výsledků z dotazníkového šetření Jména studentů: Adam Pavlíček Michal Karlas Tomáš Vávra Anna Votavová Ročník: 2015/2016 Datum odevzdání: 13/05/2016
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
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
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceMETODOLOGIE I - METODOLOGIE KVANTITATIVNÍHO VÝZKUMU
METODOLOGIE I - METODOLOGIE KVANTITATIVNÍHO VÝZKUMU vyučující doc. RNDr. Jiří Zháněl, Dr. M I 4 Metodologie I 7. ANALÝZA DAT (KVANTITATIVNÍ VÝZKUM) (MATEMATICKÁ) STATISTIKA DESKRIPTIVNÍ (popisná) ANALYTICKÁ
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
VíceKALIBRACE. Definice kalibrace: mezinárodní metrologický slovník (VIM 3)
KALIBRACE Chemometrie I, David MILDE Definice kalibrace: mezinárodní metrologický slovník (VIM 3) Činnost, která za specifikovaných podmínek v prvním kroku stanoví vztah mezi hodnotami veličiny s nejistotami
VíceMěření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
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
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
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
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
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
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
Více676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368
Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními
VícePřednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy
Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita
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,
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
VíceZNALOSTI A DOVEDNOSTI ČESKÝCH MUŽŮ V OBLASTI INFORMAČNÍ BEZPEČNOSTI - VÝSLEDKY STATISTICKÉ ANALÝZY
ZNALOSTI A DOVEDNOSTI ČESKÝCH MUŽŮ V OBLASTI INFORMAČNÍ BEZPEČNOSTI - VÝSLEDKY STATISTICKÉ ANALÝZY Knowledge and skills of Czech men in the field of information security - the results of statistical analysis
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
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
VíceChyby spektrometrických metod
Chyby spektrometrických metod Náhodné Soustavné Hrubé Správnost výsledku Přesnost výsledku Reprodukovatelnost Opakovatelnost Charakteristiky stanovení 1. Citlivost metody - směrnice kalibrační křivky 2.
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceVyužití a zneužití statistických metod v medicíně
Využití a zneužití statistických metod v medicíně Martin Hynek Gennet, Centre for Fetal Medicine, Prague EuroMISE Centre, First Faculty of Medicine of Charles University in Prague Statistika Existují tři
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
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
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 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
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)
VíceNáhodné chyby přímých měření
Náhodné 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 pravděpodobná.
VíceZákladní terminologické pojmy (Mezinárodní metrologický slovník VIM3)
Základní terminologické pojmy (Mezinárodní metrologický slovník VIM3) Přesnost a správnost v metrologii V běžné řeči zaměnitelné pojmy. V metrologii a chemii ne! Anglický termín Measurement trueness Measurement
VíceTestování statistických hypotéz. Ing. Michal Dorda, Ph.D.
Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině
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
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
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
VíceCvičení ze statistiky - 3. Filip Děchtěrenko
Cvičení ze statistiky - 3 Filip Děchtěrenko Minule bylo.. Dokončili jsme základní statistiky, typy proměnných a začali analýzu kvalitativních dat Tyhle termíny by měly být známé: Histogram, krabicový graf
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 8. KAPITOLA STATISTICKÉ TESTOVÁNÍ HYPOTÉZ 22.11.2016 Opakování: CLV příklad 1 Zadání: Před volbami je v populaci státu 52 % příznivců
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
Více