1 DATA ® INFORMACE Statistická analýza je založena na zhušťování informace – tj. jak s co nejmenšího množství vhodně zvolených údajů vytěžit maximum relevantních informací. 1.prvotní zápis – údaje v té podobě, jak jsou naměřeny 2.tříděný soubor – jednotlivá měřená data jsou tříděna do tříd 3.statistické charakteristiky – speciální veličiny, které podávají koncentrovanou formou informaci o podstatných statistických vlastnostech studovaného souboru 2 STATISTICKÉ CHARAKTERISTIKY 3 STATISTICKÉ CHARAKTERISTIKY •Typy charakteristik: •1. polohy – reprezentace souboru na číselné ose * * * • 4 STATISTICKÉ CHARAKTERISTIKY •Typy charakteristik: •2. variability – rozptýlení hodnot po číselné ose navzájem a vůči charakteristice polohy • * • 5 STATISTICKÉ CHARAKTERISTIKY •Typy charakteristik: •3. tvaru – rozložení četností hodnot • • * • 6 CHARAKTERISTIKY POLOHY * ARITMETICKÝ PRŮMĚR – hodnota reprezentující všechny hodnoty souboru s nejmenší chybou • * MEDIÁN – 50% kvantil, prostřední hodnota vzestupně uspořádaného souboru • * MODUS – nejčastěji se vyskytující hodnota v souboru 7 ARITMETICKÝ PRŮMĚR * základní statistická MOMENTOVÁ charakteristika polohy * je to hodnota, která reprezentuje VŠECHNY hodnoty souboru s nejmenší chybou * fyzikálně je možné jej považovat za těžiště souboru > 8 MEDIÁN * základní statistická KVANTILOVÁ charakteristika polohy * je to hodnota, která reprezentuje PROSTŘEDNÍ PRVEK VZESTUPNĚ USPOŘÁDANÉHO SOUBORU > 9 MODUS * nejčastěji se vyskytující hodnota souboru * existují soubory: * amodální – bez modu (všechny prvky souboru mají stejnou četnost) * unimodální – jeden modus * polymodální – dva a více modů * nemá příliš velkou vypovídací schopnost 10 POUŽITÍ PRŮMĚRU A MEDIÁNU Soubor bez extrémních hodnot: Soubor s extrémními hodnotami: 11 CHARAKTERISTIKY VARIABILITY * informují o tom, jak jsou jednotlivé hodnoty souboru rozptýleny, tj. jak se jednotlivé hodnoty znaku liší vzhledem k sobě navzájem nebo vzhledem ke střední hodnotě * existují dva typy: * absolutní - mají rozměr studované veličiny * relativní (poměrné) - bez rozměru nebo v procentech. Jsou vhodné pro porovnání variability různých souborů 12 CHARAKTERISTIKY VARIABILITY * variační rozpětí – rozdíl maximální a minimální hodnoty * rozptyl – základní momentová míra variability, průměr odchylek od průměru * směrodatná odchylka – odmocnina z rozptylu, využívaná hlavně pro popis souborů * variační koeficient – relativní míra variability užívaná ke srovnání variability různých souborů * kvantilové odchylky – kvantilová míra variability počítaná obvykle z kvartilů nebo decilů * interkvartilové rozpětí – rozdíl horního a dolního kvartilu 13 ROZPTYL Rozptyl je základní mírou variability. Je to aritmetický průměr čtverců odchylek od průměru a je tedy konstruován k vyjádření variability hodnot kolem průměru, ale vyjadřuje i vzájemnou odlišnost hodnot znaku. 14 ROZPTYL pro ZS: pro VS: pro tříděný soubor: > 15 SMĚRODATNÁ ODCHYLKA je odmocnina z rozptylu. Rozměr směrodatné odchylky je stejný jako rozměr veličiny, což je její hlavní výhodou oproti rozptylu pro účely popisné statistiky. 16 VARIAČNÍ KOEFICIENT je relativní mírou variability a používá se k vzájemnému porovnávání variability různých souborů. > 17 KVANTILOVÉ MÍRY VARIABILITY Kvantilové odchylky jsou horší mírou variability než momentové charakteristiky. Používají se tam, kde nelze použít momentové charakteristiky (silně nenormální rozdělení, výskyt extrémních hodnot, apod.) Kvartilová odchylka: Interkvartilové rozpětí: > 18 CHARAKTERISTIKY TVARU •měří odchylku v rozložení četností hodnot oproti danému referenčnímu rozdělení četností (obvykle normálnímu): Skládá se ze dvou složek: * nesouměrnosti (šikmosti, asymetrie) * špičatosti (zahrocenosti, excesu) 19 NESOUMĚRNOST se projevuje tím, že v souboru je více hodnot menších než větších ve srovnání se střední hodnotou (levostranná nesouměrnost) nebo více hodnot větších než menších ve srovnání se střední hodnotou (pravostranná nesouměrnost). 20 NESOUMĚRNOST měříme koeficientem nesouměrnosti A > 0 A = 0 A < 0 21 NESOUMĚRNOST Souměrné rozdělení: Průměr = medián = modus A = 0 22 NESOUMĚRNOST modus medián průměr Levostranné (doprava sešikmené) rozdělení 23 NESOUMĚRNOST průměr medián modus Pravostranné (doleva sešikmené) rozdělení A < 0 24 ŠPIČATOST je mírou koncentrace dat kolem určité hodnoty nebo skupiny hodnot ve srovnání s určitým definovaným rozdělením veličiny (např. normálním). Rozlišujeme rozdělení: * ploché – koncentrace dat kolem určité hodnoty je NIŽŠÍ než odpovídá definovanému rozdělení (tedy četnosti kolem této hodnoty jsou nižší) * špičaté - koncentrace dat kolem určité hodnoty je VYŠŠÍ než odpovídá definovanému rozdělení(tedy četnosti kolem této hodnoty jsou vyšší) * odpovídající danému definovanému rozdělení (např. normální) 25 ŠPIČATOST odpovídající danému rozdělení špičaté ploché 26 ŠPIČATOST Mírou špičatosti je koeficient špičatosti: Pro normální rozdělení platí: E = 0 (3) normálně zahrocené E < 0 (3) ploché E > 0 (3) špičaté 27 BODOVÉ ODHADY ZÁKLADNÍCH PARAMETRŮ Odhad střední hodnoty: Odhad rozptylu: korekce vychýlení 28 BODOVÉ ODHADY ZÁKLADNÍCH PARAMETRŮ hodnoty výběrového souboru hustota pravděpodobnosti základního souboru m tato vzdálenost je pro jeden konkrétní výběr neznámá, není možné určit spolehlivost konkrétního odhadu > 29 INTERVALOVÉ ODHADY PARAMETRŮ ZS Interval spolehlivosti pro parametr t při hladině významnosti aÎ(0,1) je určen statistikami T1 a T2:. toto je bodový odhad neznámé střední hodnoty m vypočítaný z prvků výběru – nevíme nic o jeho vztahu ke skutečné střední hodnotě T1 T2 toto je intervalový odhad neznámé střední hodnoty - předpokládáme, že s pravděpodobností P =1-a leží m kdekoli v tomto úseku číselné osy > 30 INTERVALOVÉ ODHADY PARAMETRŮ ZS T1 T2 P = 1 - a = 1 – (a1 + a2) a1 a2 t T t a1 a a2 představují statistické riziko, že skutečná hodnota parametru t bude ležet mimo hranice T1 a T2 31 JEDNOSTRANNÉ INTERVALOVÉ ODHADY levostranný odhad pravostranný odhad 32 POROVNÁNÍ JEDNOSTRANNÉHO A ODOUSTRANNÉHO ODHADU T1 oboustranný intervalový odhad P = 1 - a = 1 – (a1 + a2) a1 a2 t T T2 jednostranný intervalový odhad P = 1 - a T1 a 33 HLADINA VÝZNAMNOSTI a V INTERVALOVÝCH ODHADECH m tyto intervaly spolehlivosti „obsahují“ střední hodnotu (jsou tedy „správné“), těch (při opakovaných výběrech) bude nejméně (1- a).100 % tento interval spolehlivosti „neobsahuje“ střední hodnotu (je tedy „chybný“), těchto intervalů se objeví nejvýše (100a) % 34 INTERVAL SPOLEHLIVOSTI STŘEDNÍ HODNOTY m Œ je známa směrodatná odchylka s základního souboru nebo je používán velký výběr (nad 30 prvků) za/2 je kvantil normovaného normálního rozdělení pro hladinu významnosti a/2 dolní hranice horní hranice v případě velkého výběru lze použít místo s výběrovou směrodatnou odchylku S 35 INTERVAL SPOLEHLIVOSTI STŘEDNÍ HODNOTY m � není známa směrodatná odchylka s základního souboru a je používán malý výběr (do 30 prvků) ta/2,n-1 je kvantil Studentova t-rozdělení pro hladinu významnosti a/2 a (n-1) stupňů volnosti Platí, že veličina má t-rozdělení s k =( n – 1) stupni volnosti ß 36 INTERVAL SPOLEHLIVOSTI STŘEDNÍ HODNOTY m Ž velikost základního souboru je známa (N) a výběrový soubor je relativně velký (n > 5 % N) Používá se korekce na konečný základní soubor: Účelem korekce je zmenšit standardní chybu 37 INTERVAL SPOLEHLIVOSTI STŘEDNÍ HODNOTY m � jednostranné intervaly Jednostranné intervaly se počítají podle stejných vztahů jako oboustranné, pouze hladina významnosti je a místo a/2 (veškeré statistické riziko „chybného“ intervalu je na jedné straně) 38 FAKTORY OVLIVŇUJÍCÍ VELIKOST INTERVALU SPOLEHLIVOSTI (IS) * velikost výběru (čím větší výběr, tím užší IS) * hladina význanosti a(čím vyšší hodnota a, tím užší interval – nižší hladina významnosti (např. 0,01 místo 0,05) znamená požadavek vyšší spolehlivosti určení IS - pokud určíme a =0,01, požadujeme spolehlivost IS P=99%, pokud určíme a =0,05, požadujeme spolehlivost IS P=95%, IS musí být širší pro P=99% než pro P=95%, protože musíme zaručit vyšší spolehlivost) * variabilita (čím vyšší hodnota směrodatné odchylky, tím širší IS) * použitý vzorec (pokud používáme t-rozdělení, je IS širší než při použití N(0,1), rozdíl je markantnější u malých výběrů) 39 FAKTORY OVLIVŇUJÍCÍ VELIKOST INTERVALU SPOLEHLIVOSTI 40 INTERVAL SPOLEHLIVOSTI SMĚRODATNÉ ODCHYLKY s Výpočet intervalu spolehlivosti směrodatné odchylky využívá c2-rozdělení a je nesouměrný – nesouměrnost je vyšší u odhadů vycházejících z malých výběrů. Œ pro malé výběry 41 INTERVAL SPOLEHLIVOSTI SMĚRODATNÉ ODCHYLKY s Výpočet intervalu spolehlivosti směrodatné odchylky pro velké výběry využívá normovaného normálního rozdělení a je souměrný. � pro velké výběry (nad 30 prvků) 42 INTERVALY SPOLEHLIVOSTI – PROVEDENÍ V EXCELU Œ interval spolehlivosti střední hodnoty a) pomocí doplňku Analýza dat rozsah dat výběru musí být zatrženo !! hodnota 100.(1-a)% 43 INTERVALY SPOLEHLIVOSTI – PROVEDENÍ V EXCELU � pomocí funkce CONFIDENCE hodnota a směrodatná odchylka (např. vypočítaná pomocí modulu „Popisná statistika“ velikost výběru Způsob Œ počítá interval spolehlivosti podle vzorce Způsob � počítá interval spolehlivosti podle vzorce 44 * 45 VÍCEROZMĚRNÝ STATISTICKÝ SOUBOR Vícerozměrný statistický soubor je množina C souběžných realizací určitého počtu veličin X1, X2, …, Xm. Množina C vznikne získáním hodnot znaků X1, X2, …, Xm na prvcích množiny n. C je potom množina uspořádaných m-tic hodnot [x1, x2, …, xm] znaků X1, X2, …, Xm. > n-tý OBJEKT m-tá VELIČINA 46 STATISTICKÁ ZÁVISLOST D:\výuka 2003-2004 ZS\aplikovaná analýza dat\obrázky statistika\obrázky kupka\14-08-03\4-3.bmp 47 STATISTICKÁ ZÁVISLOST D:\výuka 2003-2004 ZS\aplikovaná analýza dat\obrázky statistika\obrázky kupka\14-08-03\4-4.bmp pokud měříme v příliš malém intervalu, nemusí se závislost prokázat!! 48 STATISTICKÁ ZÁVISLOST D:\výuka 2003-2004 ZS\aplikovaná analýza dat\obrázky statistika\obrázky kupka\14-08-03\4-5.bmp jedna proměnná je násobkem druhé – v tom případě je možné jednu proměnnou z analýzy vyloučit bez ztráty informace 49 STATISTICKÁ ZÁVISLOST * korelace – popisuje vliv změny úrovně jednoho znaku na změnu úrovně jiných znaků a platí pro kvantitativní (měřené) znaky; * kontingence – popisuje závislost kvalitativních (slovních, popisných) znaků, které mají více než dvě alternativy, tzv. množných znaků (např. druh dřeviny, národnost, apod.); * asociace - popisuje závislost kvalitativních (slovních, popisných) znaků, které mají pouze dvě alternativy, tzv. alternativních znaků (např. pohlaví, odpovědi typu ano/ne, …). 50 KORELACE typy podle počtu korelovaných znaků * jednoduchá – popisuje vztah dvou znaků, * mnohonásobná – popisuje vztahy více než dvou znaků, * parciální – popisuje závislost dvou znaků ve vícerozměrném statistickém souboru při vyloučení vlivu ostatních znaků na tuto závislost· 51 KORELACE typy podle smyslu změny hodnot * kladná – se zvyšováním hodnot jednoho znaku se zvyšují i hodnoty druhého znaku * záporná - se zvyšováním hodnot jednoho znaku se zmenšují hodnoty druhého znaku 52 KORELACE typy podle tvaru závislosti * přímková (lineární) – grafickým obrazem závislosti je přímka (lineární trend) * křivková (nelineární) – grafickým obrazem závislosti je křivka (nelineární trend) 53 KORELAČNÍ POČET korelační analýza * zjišťuje existenci závislosti a její druhy, * měří těsnost závislosti, * ověřuje hypotézy o statistické významnosti závislosti; regresní analýza * zabývá se vytvořením vhodného matematického modelu závislosti, * stanoví parametry tohoto modelu, * ověřuje hypotézy o vhodnosti a důležitých vlastnostech modelu. 54 KORELAČNÍ KOEFICIENT PRO JEDNODUCHOU KORELACI párový - zvláštní případ vícenásobného korelačního koeficientu, kdy vyjadřuje míru lineární stochastické závislosti mezi náhodnými veličinami Xi a Xj, * Pearsonův * Spearmanův (korelace pořadí) 55 PEARSONŮV KORELAČNÍ KOEFICIENT (r) > = normovaná kovariance podmínkou je dodržení dvourozměného normálního rozdělení 56 PEARSONŮV KORELAČNÍ KOEFICIENT (r) * míra intenzity vztahu mezi složkami vícerozměrného souboru * je mírou intenzity lineární závislosti * je vždy nezáporná * její limitou je součin směrodatných odchylek * je symetrickou funkcí svých argumentů * její velikost je závislá na měřítku argumentů Þ nutnost normování KOVARIANCE: > 57 PEARSONŮV KORELAČNÍ KOEFICIENT (r) Základní vlastnosti Pearsonova korelačního koeficientu: * je to bezrozměrná míra lineární korelace; * nabývá hodnoty 0 – 1 pro kladnou korelaci, 0 – (-1) pro zápornou korelaci; * hodnota 0 znamená, že mezi posuzovanými veličinami není žádný lineární vztah (může být nelineární) nebo tento vztah zůstal na základě dat, které máme k dispozici, neprokázán; * hodnota 1 nebo (-1) indikuje funkční závislost; * hodnota korelačního koeficientu je stejná pro závislost x1 na x2 i pro opačnou závislost x2 na x1. 58 REGRESNÍ ANALÝZA Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Snažíme se nahradit každou měřenou (experimentální, empirickou, zjištěnou) hodnotu závisle proměnné (vysvětlované proměnné) Y hodnotou teoretickou (modelovou, vyrovnanou, predikovanou), tj. hodnotou ležící na spojité funkci (modelu) nezávisle proměnné (vysvětlující proměnné) X (X) 59 REGRESNÍ ANALÝZA měřené hodnoty modelové (vypočítané) hodnoty 60 REGRESNÍ MODEL závisle nezávisle proměnná regresní náhodná proměnná parametry chyba y = X b + e 61 REGRESNÍ MODEL 62 TEST VÝZNAMNOSTI REGRESNÍHO MODELU – co testujeme Y = b0 + b1x1 + b2x2 + b3x3 + … + bmxm Testujeme MODEL JAKO CELEK (zda příslušná kombinace nezávisle proměnných statisticky významně zpřesní odhad závisle proměnné oproti použití jejího průměru) Testujeme JEDNOTLIVÉ PARAMETRY (jestliže je daný parametr nevýznamný, příslušná proměnná xj nijak nepřispívá ke zpřesnění odhadu závisle proměnné a je v modelu zbytečná). 63 TEST VÝZNAMNOSTI REGRESNÍHO MODELU JAKO CELKU 1.Test významnosti korelačního koeficientu 2.Pomocí analýzy rozptylu Testové kritérium F se porovná s kritickou hodnotou Fa;m-1;n-m. 64 TEST VÝZNAMNOSTI REGRESNÍCH PARAMETRŮ H0: bj = 0, tj. j-tý regresní parametr je nevýznamný pro bj = 0 Pokud platí, že ½t½> ta2;n-m, potom je j-tý regresní parametr statisticky významný a příslušná proměnná musí zůstat v modelu.