} kvantitativní znaky

Podobné dokumenty
} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

Odhady a testy hypotéz o regresních přímkách

PRAVDĚPODOBNOST A STATISTIKA

9. REGRESNÍ A KORELAČNÍ ANALÝZA

PRAVDĚPODOBNOST A STATISTIKA

Odhady parametrů 1. Odhady parametrů

Metody zkoumání závislosti numerických proměnných

Aktivita 1 Seminář základů statistiky a workshop (Prof. Ing. Milan Palát, CSc., Ing. Kristina Somerlíková, Ph.D.)

Momenty a momentové charakteristiky

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Posouzení vlivu vybraných makroekonomických veličin na vývoj systému sociálního zabezpečení

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady

PRAVDĚPODOBNOST A STATISTIKA

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

PRAVDĚPODOBNOST A STATISTIKA

, jsou naměřené a vypočtené hodnoty závisle

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce

Lineární regrese ( ) 2

Kapitola 9.: Jednoduchá lineární regresní analýza

Spojité (kontinuální) - nap. podle vykázaného zisku, tržeb, náklad Nespojité (diskrétní) - nap. podle potu len v rodin

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

S1P Popisná statistika. Popisná statistika. Libor Žák

Lineární regresní model (VJ REGMOD-2)

Úvod do korelační a regresní analýzy

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Pravděpodobnost a aplikovaná statistika

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

SP2 Korelační analýza. Korelační analýza. Libor Žák

Téma 4: Výběrová šetření

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

11. Regresní analýza. Čas ke studiu kapitoly: 60 minut. Cíl VÝKLAD Úvod

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru.

Generování dvojrozměrných rozdělení pomocí copulí

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

8. Analýza rozptylu.

8 NELINEÁRNÍ REGRESNÍ MODELY

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

Metody statistické analýzy. doc. Ing. Dagmar Blatná, CSc.

Statistické charakteristiky (míry)

PRAVDĚPODOBNOST A STATISTIKA

Charakteristiky úrovně

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

Interval spolehlivosti pro podíl

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Regresní a korelační analýza

9. Měření závislostí ve statistice Pevná a volná závislost

,6 32, ,6 29,7 29,2 35,9 32,6 34,7 35,3

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.

Úvod do zpracování měření

Měření závislostí. Statistická závislost číselných znaků

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Poznámky k tématu Korelace a jednoduchá lineární regrese (Téma není ve skriptech)

vají statistické metody v biomedicíně

vají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

PRAVDĚPODOBNOST A STATISTIKA

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

Statistika (KMI/PSTAT)

11. Časové řady Pojem a klasifikace časových řad

Příklady z přednášek

12. N á h o d n ý v ý b ě r

Úvod do teorie měření

V. Normální rozdělení

Zá k l a d y k v a n t i t a t i v n í g e n e t i k y

Náhodné jevy, jevové pole, pravděpodobnost

Pravděpodobnostní model doby setrvání ministra školství ve funkci

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

INDUKTIVNÍ STATISTIKA

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

Pracovní list č. 3 Charakteristiky variability

a další charakteristikou je četnost výběrového souboru n.

Regresní analýza 1. Regresní analýza

Kapitola 3.: Úlohy o jednom náhodném výběru z normálního rozložení

PRAVDĚPODOBNOST A STATISTIKA

Vztahy mezi základním souborem a výběry. Základní pojmy a symboly. K čemu to je dobré? Výběrové metody zkoumání

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

Doc. Ing. Dagmar Blatná, CSc.

1. Základy měření neelektrických veličin

Testování statistických hypotéz

Náhodný výběr 1. Náhodný výběr

Jednoduchá lineární regrese

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Závislost slovních znaků

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Mendelova univerzita v Brně Statistika projekt


Transkript:

Měřeí tattcké závlot, korelace, regree Obecé prcpy závlot vzájemá ouvlot měřeých zaků Prof. RNDr. Jaa Zvárov rová,, DrSc. fukčí závlot x tattcká závlot átroje pro měřeí závlot leár rí regree korelace } kvattatví zaky 3 MĚŘENÍZÁVISLOSTI Cílem tattckéaalýzyvepdemolog býváeje taovt,zda oemocěí závía výkytu rzkového faktoru, alerověž vyjádřt STUPEŇ ZÁVISLOSTI. Stupeň závlot však taovujememez přízakyaemocí č mez přízaky amotým. STUPEŇ ZÁVISLOSTI (KORELACI) vyjadřujeme pomocí růzých MĚR STATISTICKÉ ZÁVISLOSTI,ke kterým patří KORELAČNÍ KOEFICIENTY. Obecě požadujeme: 0 < míratattckézávlot < NEZÁVISLOST FUNKČNÍ ZÁVISLOST Korelace a regree íla (těot) závlot z dvou áhodých velč: : korelace ymetrcký vztah obou velč elouží k předpovp edpovědd způob (tvar) závlot z áhod hodé velčy y a jé velč ě: regree možot předpovp edpovědd příklad: výška otce, výška jeho ya (v dopělot) korelace: jak tět ě polu ouvejí? populace - všechy dvojce (otec, y) regree: : lze z výšky otce odhadout výšku ya? řada populací - yové otců vyokých 70 cm, 7 cm... 4

Korelace -kvatfkace íly leárí závlot mez dvěma kvattatvímu velčam (Pearoův) korelačí koefcet: r x y ( x x)( y y) ( x x) ( y y) důležté je zaméko a velkot korelačího koefcetu korelace ezameá příčot. hodoty pouzujte krtcky 5 Měřeí závlot pro kvattatví zaky Kromě tupě závlot,, který vyjadřuje korelačí koefcet, e čato ažíme zjtt typ závlotz vlot. Oretačě můžeme typ závlotz pooudt z bodového grafu. Typ závlot z určuje uje křvka,, kterou můžm ůžeme emprckým body proložt. 7 Příklady Korelace r-0,8 r0,45 mortalty 00 0 40 60 80 00 0 hmotot 6000 7000 8000 9000 0000 30 35 40 45 65 70 75 lattude delka 6 8

Pearoův korelačí koefcet měří ílu leár rí závlot pojtých velč vždy platí: - ρ X,Y v případp padě ormál lího rozděle leí platí: ezávlot X, Y ρ X,Y 0 odhad pomocí ( x x )( y y ) rx, Y ( x x ) ( y y) ezávlot zamítáme, me, pokud t t -α/ /(-), ), kde r t r X, Y 9 Leár rí regree -kvalfkace leárího vztahu mez dvěma kvattatvímu velčam Př.: Aalyzujeme data o počtu pracovích hod za měíc v aetezologcké lužbě v závlot a velkot pádové oblat. Nemocce Počet pracovích hod Spádová populace (v t.) 304,37 5,50 66,3 94,30 3 39, 83,70 4 85,43 30,70 5 43,77 9,80 6 555,68 80,80 7 383,78 43,40 8 74,7 65,0 9 845,30 74,30 0 5,8 60,80 346,60 39,0 368,33 376,0 Grafy Leár rí regree - motvačí příklad 0

Leár rí regree - regreí přímka Regreí přímka: y α + β x + ε,,..., a abolutí čle (tercept) b měrce (lope) e áhodá chyba Leár rí regree - výpočet odhadů α a β Odhady parametrů a a b: Pomocé výpočty x x a y b x b y y ( ) x x x ( ) y y y x Př. (pokr.): pracoví doba α + β velkot populace + ε ( x x)( y y) ( je odhad kovarace velč X a Y) 3 5 Leár rí regree - odhad parametrů Odhady hodot parametrů α a β e určují metodou ejmeších čtverců. Prcp metody ejmeších čtverců: Za odhad parametrů α a β e berou taková číla a a b, pro která výraz ŷ a+ b S e ( y ŷ) abývá mmálí hodoty. Zde x je vyhlazeá hodota y. Rozdíl y ŷ e azývá-té rezduum. Tzv. rezduálí rozptyl je pak zavede jako Se 4 Leár rí regree - terpretace výledků Př.: Obdržel jme rovc pracoví doba 80,658 + 9,49 * velkot populace -výledek je třeba terpretovat pouze v rozahu pozorovaých dat -odhaduté parametry závejí a použtých datech -můžeme zjtt tervalové odhady kutečých parametrů 6

Graf odhaduté regreí přímky 7 Koefcet determace Koefcet determace: R r - měřeí íly závlot mez proměým X a Y - míra vhodot modelu - určuje čát varablty Y vyvětleou pomocí modelu leárí regree! (-R ) 00 % varablty Y elze vyvětlt varabltou X 8