MĚŘENÍ, TYPY VELIČIN a TYPY ŠKÁL

Podobné dokumenty
Statistika I (KMI/PSTAT)

Základy pravděpodobnosti a statistiky. Popisná statistika

METODOLOGIE I - METODOLOGIE KVANTITATIVNÍHO VÝZKUMU

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Škály podle informace v datech:

Statistická šetření - PROČ? Žádná věda není skutečnou vědou, není-li podložena matematickými principy. (L.da Vinci)

2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat

Základní pojmy a cíle statistiky 1

Základy popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek

Renáta Bednárová STATISTIKA PRO EKONOMY

Chyby měření 210DPSM

Pro zvládnutí této kapitoly budete potřebovat 4-5 hodin studia.

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

Matematika III. 29. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

2.5 STATISTISKÉ ZJIŠŤOVÁNÍ, ZÁKLADNÍ STATISTICKÉ POJMY

Úvodní statistické pojmy

STATISTIKA 1. RNDr. K. Hrach, Ph.D. Zápočet: 75% docházka na cvičení. + odevzdání seminární práce (úkoly na PC)

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

Statistika. Základní pojmy a cíle statistiky. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .

Mnohorozměrná statistická data

Téma 14 Multikriteriální metody hodnocení variant

Popisná statistika - úvod

Základy popisné statistiky

Analýza dat na PC I.

Třídění statistických dat

Základy popisné statistiky

Statistické metody. Martin Schindler KAP, tel , budova G. naposledy upraveno: 9.

7. Rozdělení pravděpodobnosti ve statistice

Pojem a úkoly statistiky

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Reálná čísla. Sjednocením množiny racionálních a iracionálních čísel vzniká množina

Mnohorozměrná statistická data

EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek

Základy teorie pravděpodobnosti

2. Statistická terminologie a vyjadřovací prostředky Statistická terminologie. Statistická jednotka

Hodnocení kvality logistických procesů

Posouzení přesnosti měření

Podle povahy dělíme obvykle fyzikální veličiny do tří skupin, na extenzivní, intenzivní a protenzivní veličiny.

Základy popisné statistiky

Statistika pro geografy

Informační technologie a statistika 1

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Charakteristiky kategoriálních veličin. Absolutní četnosti (FREQUENCY)

STATISTICKÉ CHARAKTERISTIKY

Náhodná veličina a rozdělení pravděpodobnosti

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

VÍCEKRITERIÁLNÍ ROZHODOVANÍ

Sázíte-li v loterii, je to hazard. Hrajete-li poker, je to zábava. Obchodujete-li na burze, je to ekonomie. Vidíte ten rozdíl?

Měřicí přístroje a měřicí metody

Metody sociálních výzkumů. Velmi skromný úvod do statistiky. Motto: Jsou tři druhy lži-lež prostá, lež odsouzeníhodná a statistika.

Kontingenční tabulky v Excelu. Představení programu Statistica

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce

Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1

Návod na vypracování semestrálního projektu

STATISTIKA 1. Adam Čabla Katedra statistiky a pravděpodobnosti VŠE

Role statistiky ve výzkumu

Obsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku

Popisná statistika kvantitativní veličiny

Popisná statistika. Statistika pro sociology

Základy štatistiky. Charakteristiky štatistického znaku

Pravděpodobnost a statistika I KMA/K413

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

Tomáš Karel LS 2012/2013

ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.

Jana Vránová, 3. lékařská fakulta UK

Náhodné chyby přímých měření

23. Matematická statistika

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

Nástin formální stavby kvantové mechaniky

MOLEKULOVÁ FYZIKA A TERMODYNAMIKA

6. Lineární regresní modely

Tabulka 1. Výběr z datové tabulky

Spokojenost se životem

Matematika 1 Jiˇr ı Fiˇser 19. z aˇr ı 2016 Jiˇr ı Fiˇser (KMA, PˇrF UP Olomouc) KMA MAT1 19. z aˇr ı / 19

Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží

Základy navrhování průmyslových experimentů DOE

Číselné charakteristiky

Náhodné (statistické) chyby přímých měření

Metodologie sociologického výzkumu Jiří HODNÝ, Ph.D.

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Cvičení z matematiky jednoletý volitelný předmět

17. Celá čísla.notebook. December 11, 2015 CELÁ ČÍSLA

Přednáška III. Data, jejich popis a vizualizace. Náhodný výběr, cílová a výběrová populace Typy dat Vizualizace různých typů dat Popisné statistiky

Teorie měření a regulace

T- MaR. Ústav technologie, mechanizace a řízení staveb. Teorie měření a regulace. Podmínky názvy. 1.c-pod. ZS 2015/ Ing. Václav Rada, CSc.

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

Jana Vránová, 3. lékařská fakulta, UK Praha

7. SEMINÁŘ DESKRIPTIVNÍ STATISTIKA

Základy biostatistiky

letní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

STATISTICKÝ SOUBOR. je množina sledovaných objektů - statistických jednotek, které mají z hlediska statistického zkoumání společné vlastnosti

Stanovení hustoty pevných a kapalných látek

Předmět studia: Ekonomická statistika a analytické metody I, II

Matematické modelování dopravního proudu

Analýza dat z dotazníkových šetření. Zdrojová data: dotazník

Matematika 2 Úvod ZS09. KMA, PřF UP Olomouc. Jiří Fišer (KMA, PřF UP Olomouc) KMA MA2AA ZS09 1 / 25

Transkript:

MĚŘENÍ, TYPY VELIČIN a TYPY ŠKÁL Matematika a stejně i matematická statistika a biometrie s námi hovoří řečí čísel. Musíme tedy vlastnosti nebo intenzitu vlastností jedinců změřit kvantifikovat. Měřením zjistíme číselnou hodnotu sledované veličiny a vytvoříme tím obraz objektu na číselné ose. Podle stupně kvantifikace rozeznáváme 4 typy znaků (veličin) podle toho, zda jsme schopni u dvou znaků x 1 a x 2 interpretovat: rovnost x 1 = x 2 uspořádání x 1 < x 2 rozdíl x 1 - x 2 podíl x 1 / x 2 Podle toho rozeznáváme čtyři typy škál: NOMINÁLNÍ ORDINÁLNÍ INTERVALOVÁ PODÍLOVÁ

TYPY VELIČIN a TYPY ŠKÁL Podle počtu hodnot, jakých mohou veličiny nabývat je dělíme na: DISKRÉTNÍ nabývají konečného či spočetného počtu hodnot DISKRÉTNÍ jsou obvykle KATEGORIÁLNÍ VELIČINY NOMINÁLNÍ - kódované v nominální škále bez uspořádání ORDINÁLNÍ - POŘADOVÉ VELIČINY - uspořádané v ordinální škále SPOJITÉ nabývají nekonečně mnoha hodnot v konečném či nekonečném intervalu SPOJITÉ jsou obvykle METRICKÉ VELIČINY - měřené v intervalové škále - měřené v podílové škále, tzv. KARDINÁLNÍ VELIČINY

NOMINÁLNÍ ŠKÁLA - NOMINÁLNÍ, KATEGORIÁLNÍ VELIČINY klasifikuje objekty do určitých tříd či kategorií hodnoty se dají vyjádřit slovně a neexistuje mezi nimi žádné uspořádání pokud jsou hodnoty označeny číselně, je toto číslo vyjádřením kódu bez další vypovídací schopnosti při práci s nimi je třídíme do skupin a jejich počet ve skupině jsou přesná čísla - počty něčeho pohlaví (muž, žena) barva očí (modrá, zelená, hnědá, černá) výsledek léčby (uzdraven, zemřel)

ORDINÁLNÍ (POŘADOVÁ) ŠKÁLA - KATEGORIÁLNÍ VELIČINY umožňuje jedince klasifikovat a uspořádat ve smyslu je větší je menší nebo předchází následuje neumí ale vyjádřit číselně vzdálenost mezi jednotlivými za sebou jdoucími hodnotami stupeň dosaženého vzdělání (základní, střední, vysoké) prospěch ve školním předmětu (výborně, velmi dobře, ) posuzování ohrožení (stupeň povodňové aktivity) hodnocení četnosti (často, občas, zřídka, nikdy) hodnocení sportovních soutěží bodováním na ordinální škále se někdy měří i veličiny měřitelné kvantitativně jemnějšími škálami, pokud rozlišení ordinální škály postačuje laboratorní výsledek vyšetření (+,++,+++,++++/ negativní, hraniční, pozitivní)

INTERVALOVÁ a PODÍLOVÁ ŠKÁLA - METRICKÉ VELIČINY jsou spojité veličiny mají obvykle chybu měření (naše chyba, chyba měřicích přístrojů) a zvyšování přesnosti přidáním dalšího desetinného místa nemá často smysl Příklad: měření výšky v mm - ráno x večer na stejném objektu Pokud poslední řád nemůžeme měřit s dostatečnou přesností, nemá cenu ho měřit

INTERVALOVÁ ŠKÁLA umožňuje stanovit vzdálenosti mezi hodnotami měřené veličiny má definovanou jednotku měření, ale nemá jednoznačně stanovenou nulu, dovoluje proto počítat s rozdíly naměřených hodnot, ale ne s jejich podíly má smysl se ptát o kolik je jedna hodnota větší, ale ne kolikrát Typickou veličinou měřenou v intervalové škále je teplota: Celsiova a Fahrenheitova teplotní stupnice: mají rozdílně položené nuly (O C=32 F) a rozdílné stupnice (1 C=1,8 F) rozdíly teplot dvou těles jsou na obou stupnicích stejné (1 stupeň na Celsiově stupnici odpovídá 1,8 stupně na Fahrenheitově stupnici) podíl však zachován není: např. pokud se teplota na Celsiově stupnici zvýší 2x z 10 C na 20 C a 2x z 20 C na 40 C odpovídá to na Fahrenheitově stupnici zvýšení 1,36x (z 50 F na 68 F) a 1,53x (z 68 F na 104 F)

PODÍLOVÁ (POMĚROVÁ) ŠKÁLA - KARDINÁLNÍ VELIČINY má jednoznačně (absolutně) stanovenou nulu, která vyjadřuje naprostou nepřítomnost měřené vlastnosti na rozdíl od intervalové škály zachovává nejen rozdíly, ale i podíly hodnot Kelvinova teplotní stupnice rozměry, objem a hmotnost těles koncentrace, kapacity fyzikální vlastnosti materiálu doba trvání děje počet mikroorganismů ve vzorku vody počet elementů ve vzorku krve Dva poslední příklady patří sice mezi DISKRÉTNÍ veličiny, ale na vyhodnocení budeme spíše používat statistické metody pro spojité NV, protože bychom jinak stejně museli počty kategorizovat do intervalů.

Jiná hlediska třídění veličin (škál) Kvalitativní a kvantitativní Kategoriální (kvalitativní) škála nominální, škála ordinální Numerické (kvantitativní) metrické škála intervalová škála podílová Podle počtu obměn znaku Alternativní (např. znak přítomen - nepřítomen) Množné (nabývají více než dvou hodnot znaku) Podle počtu hodnot Diskrétní: konečný nebo spočetný počet hodnot (počet obyvatel planety) Spojité: nabývají hodnot reálných čísel (zisk, výška postavy) ve skutečnosti jsou pozorované hodnoty vždy zaokrouhlené nebo omezené přesností měřicích přístrojů