Přednáška 5 Výběrová šetření, Exploratorní analýza • Pravděpodobnost vs. statistika • Výběrová šetření aneb jak získat výběrový soubor • Exploratorní statistika aneb jak popsat výběrový soubor – Typy proměnných – Popis kategoriální proměnné (číselné charakteristiky, grafy) – Popis numerické proměnné (číselné charakteristiky, grafy)
Čím se zabývá teorie pravděpodobnosti? • Teorie pravděpodobnosti je matematická disciplína popisující zákonitosti týkající se náhodných jevů, tj. používá se k modelování náhodnosti a neurčitosti. (Náhodnost je spojena s nedostatečnou znalostí počátečních podmínek.)
Čím se zabývá statistika? • Rozvíjí znalosti na základě empirických dat.
Co je to statistika? Google – 196.106 odkazů (čeština), 2,88.109 odkazů (angličtina) • Uspořádaný datový soubor (statistika přístupů na web. stránky, statistika střel na branku, statistika nehodovosti, ekonomické statistiky, …) Český statistický úřad, Real Time Statistics Project • Teoretická disciplína, která se zabývá metodami sběru a analýzy dat (matematická statistika vs. aplikovaná statistika) • Číselný údaj „syntetizující“ vlastnosti datových souborů (četnost, průměr, rozptyl, …)
Proč je dobré znát (alespoň) základy statistiky? „Informace, informace….“ „Ó, data! “ Číslo 5 žije
Kvantitativní výzkum Teorie
Hypotéza
Sběr dat
Hledání pravdy Zdroj: technet.idnes.cz
Analýza dat
Vyhodnocení
Proč je dobré znát (alespoň) základy statistiky? „Informace, informace….“ „Ó, data! “ Číslo 5 žije
Kvantitativní výzkum Teorie
Hypotéza
Sběr dat
Hledání pravdy Zdroj: technet.idnes.cz
Analýza dat
Vyhodnocení
Základní pojmy ze statistické metodologie
• Populace (základní soubor) je množina všech prvků, které sledujeme při statistickém výzkumu. Je dána výčtem prvků nebo vymezením jejich společných vlastností. • (Statistické) jednotky - prvky populace • (Statistické) znaky (proměnné, veličiny) – kvantitativní údaje, které u výběrového souboru sledujeme
Základní pojmy ze statistické metodologie úplné šetření statistické zjišťování
• Populace (základní soubor) je množina všech prvků, které sledujeme při statistickém výzkumu. Je dána výčtem prvků nebo vymezením jejich společných vlastností. • (Statistické) jednotky - prvky populace • (Statistické) znaky (proměnné, veličiny) – kvantitativní údaje, které u výběrového souboru sledujeme
Základní pojmy ze statistické metodologie statistické zjišťování
Exploratorní (popisná) statistika
• Jak provádět statistické zjišťování? • Pokus (kontrolovaný, znáhodněný, slepý, dvojitě slepý pokus) • Šetření (výzkumník do průběhu šetření zasahuje co nejméně)
Základní pojmy ze statistické metodologie výběrové šetření
•
Exploratorní (popisná) statistika
Popisná statistika (angl. Exploratory Data Analysis, EDA) - uspořádání proměnných do názornější formy a jejich popis několika málo hodnotami, které by obsahovaly co největší množství informací obsažených v původním souboru.
Základní pojmy ze statistické metodologie výběrové šetření
Exploratorní (popisná) statistika
Statistické šetření Motto: Chceme-li vědět, jak chutná víno v sudu, nemusíme vypít celý sud. Stačí jenom malý doušek a víme na čem jsme.
Způsoby statistického šetření
Vyčerpávající šetření
Výběrové šetření
Výhody: přesnost a detailnost zjištěných informací
Výhody: menší personální, finanční a časová náročnost
Nevýhody: personální, finanční a časová náročnost
Nevýhody: mírou objektivnosti získaných informací je kvalita provedení výběrového šetření
Výběrové šetření • Výběr by měl být reprezentativní – tj. odrážet vlastnosti celé populace vzhledem ke sledovaným znakům. •
Opakem reprezentativního výběru je výběr selektivní (např. vzorek účastnic soutěže MISS ČR, z něhož chceme dělat závěry o váze v české populaci dívek ve věku 17-20 let).
•
Náhodný výběr, tj. výběr, v němž má každá statistická jednotka stejnou pravděpodobnost být zařazena do výběru.
― Reprezentuje všechny známé i neznámé vlastnosti populace. ― Umožňuje odhadnout velikost chyby, která je způsobena výběrovým šetřením.
― Opora (rámec) výběru – technická dokumentace umožňující výběr stat. jednotek do výběru.
Metody náhodného výběru • prostý náhodný výběr – losováním, pomocí tabulek náhodných čísel • systematický výběr – založen na předem známém uspořádání populace (riziko souvislosti uspořádání s analyzovaným znakem), vybíráme každý k. prvek. • oblastní (stratifikovaný) výběr – populace rozdělena do heterogenních podskupin, v jejichž rámci je prováděn prostý náhodný, resp. systematický výběr. • skupinový výběr – populace je rozdělena do rovnocenných podskupin, tj. variabilita mezi podskupinami musí být co nejmenší. Poté je proveden prostý náhodný výběr podskupiny a následuje její úplné šetření. • vícestupňový výběr – Založen na hierarchickém popisu jednotek populace (např. krajeměsta-školy).
Další metody výběru • Anketa – tzv. samovýběr, tj. výběr jedinců je založen na rozhodnutí respondenta odpovědět na anketu – nelze definovat populaci, na níž se výsledky vztahují • Snowball sampling – dotázaní uvádějí kontakt na další jedince – vhodné pro výzkum dočasných populací (svědkové události, účastníci akce apod.) • Záměrný výběr, – tj. výběr založený na expertním stanovisku
• Metoda základního masivu ― prošetření velkých a středních jednotek
Exploratorní analýza dat
Typy proměnných
Nominální proměnná Kvalitativní proměnná (kategoriální, slovní...)
(nelze uspořádat)
Ordinální proměnná (lze uspořádat) Typy proměnných
Kvantitativní proměnná (numerická, číselná ...)
EDA pro kategoriální veličinu
Kategoriální veličina nominální (nemá smysl uspořádání)
(např. Typ SŠ, Barva auta, Pohlaví, …)
Číselné charakteristiky TABULKA ROZDĚLENÍ ČETNOSTI Varianty xi
Absolutní četnosti ni
Relativní četnosti pi
x1
n1
p1=n1 /n
x2
n2
p2=n2 /n
xk
nk
pk=nk /n
Celkem:
n1+n2+…+nk=n
1
+ Modus (název nejčetnější varianty)
Číselné charakteristiky
TABULKA ROZDĚLENÍ ČETNOSTI Pohlaví
Absolutní četnosti
Relativní četnosti [%]
Muž
457
58,2
Žena
328
41,8
Celkem:
785
100,0
Modus = Muž
Grafické znázornění A) Sloupcový graf (bar chart) Počet 25 20 15 10 5 0 Výborně
Chvalitebně
Prospěl
Neprospěl
„…můžete vytvořit sloupcový graf a dodat mu zcela nový a přitažlivý vzhled“ http://office.microsoft.com/cs-cz/excel-help/prezentace-dat-ve-sloupcovem-grafu-HA010218663.aspx
Grafické znázornění A) Sloupcový graf (bar chart)
Počet
20 15 10 5 0
Grafické znázornění A) Sloupcový graf (bar chart)
Počet
20 15 10 5 0
Grafické znázornění A) Sloupcový graf (bar chart)
Počet
20 15 10 5 0
Grafické znázornění A) Sloupcový graf (bar chart)
Počet
20 15 10 5 0
Grafické znázornění A) Sloupcový graf (bar chart)
Počet
20 15 10 5 0
Grafické znázornění A) Sloupcový graf (bar chart) Na co si dát pozor? • Subjektivně vnímáme plochu (objem), nikoliv výšku jednotlivých „sloupců“.
Grafické znázornění A) Sloupcový graf (bar chart) Na co si dát pozor?
Produkce CO2 [kg] na osobu
Sloupcový graf 25000
20000 15000
USA
10000
ČR
5000 0 1993
2007
zdroj dat: http://en.wikipedia.org/wiki/List_of_countries_by_carbon_dioxide_emissions_per_capita
Grafické znázornění A) Sloupcový graf (bar chart) Na co si dát pozor? • Subjektivně vnímáme plochu (objem), nikoliv výšku jednotlivých „sloupců“. • Nadbytečné názvy grafu, legendy, … • Neefektivní nuly A na co ještě?
Produkce CO2 [tun] na osobu
25
20
20
18
15
16
10
14
5
12
0
10
1993
2007 USA
1993
2007
ČR
Produkce CO2 [tun] na osobu (% roku 1993)
USA ČR Který z grafů je „správný“? 100%
120% 100% 80% 60% 40% 20% 0%
98% 96% 94% 92% 1993 USA
2007 ČR
90% 1993 USA
2007 ČR
Grafické znázornění B) Výsečový graf – koláčový graf (pie chart)
7; 17%
5; 12%
5; 12%
10; 24%
7; 17%
10; 24%
Výborně
Výborně
Chvalitebně
Chvalitebně
Prospěl
Prospěl
Neprospěl
Neprospěl
20; 47% 20; 47%
Grafické znázornění B) Výsečový graf – koláčový graf (pie chart)
7; 17%
5; 12%
5; 12%
10; 24%
7; 17%
10; 24%
Výborně
Výborně
Chvalitebně
Chvalitebně
Prospěl
Prospěl
Neprospěl
Neprospěl
20; 47% 20; 47%
Grafické znázornění B) Výsečový graf – koláčový graf (pie chart) Na co si dát pozor?
Anketa Jste pro navýšení hodinové dotace Statistiky?
TAKHLE NE!!!
Grafické znázornění B) Výsečový graf – koláčový graf (pie chart) Na co si dát pozor?
• Neuvádění absolutních četností, resp. celkového počtu respondentů v „blízkosti“ grafu • Nadbytečné názvy grafu
Výskyt krevních skupin a Rh faktoru v USA
Krevní skupina 0 A B AB Celkem
Rh faktor Rh+ Rh38 7 34 6 9 2 3 1 84 16
Celkem 45 40 11 4 100
Grafické znázornění B) Výsečový graf – koláčový graf (pie chart) Na co si dát pozor?
• Neuvádění absolutních četností, resp. celkového počtu respondentů v „blízkosti“ grafu • Nadbytečné názvy grafu, legendy, … • Ne vždy je graf přehlednější než tabulka A na co ještě?
Srozumitelnost výkladu
6; 3%
1; 0%
32; 15%
Hodnocení 1
64; 29% 114; 53%
103; 47%
Hodnocení 5
Hodnocení 1
34; 16%
18; 9%
Hodnocení 1
Hodnocení 1
5; 2%
Hodnocení 5
Hodnocení 3 Hodnocení 4 Hodnocení 5
25; 11%
Hodnocení 1
89; 41%
Hodnocení 3 Hodnocení 4
Hodnocení 2
Grafická úprava
Hodnocení 2
81; 75; 39% 36%
Hodnocení 5
96; 44%
8; 4%
31; 15%
Hodnocení 4
82; 38%
Hodnocení 3
Praktické aplikace
Hodnocení 3
5; 2%0; 0%
Hodnocení 2
Hodnocení 5
3; 1%
Hodnocení 2
Užitečnost úloh k samostatné práci
Hodnocení 4
80; 37%
Hodnocení 1
76; 35%
Hodnocení 4
73; 34%
0; 0%
37; 17%
Hodnocení 3
1; 0%
48; 22%
Srozumitelnost řešených příkladů
Hodnocení 2
Množství řešených příkladů 15; 7%
2; 1%
92; 42%
2 grafy ještě chybí …
Hodnocení 2 Hodnocení 3 Hodnocení 4 Hodnocení 5
Hodnocení modulu PRA (220 respondentů) Dostatečnost textu
66
Míra používání textu
85
76
Grafická úprava
55
67
52
89
Praktické aplikace
75
Užitečnost úloh k samostatné práci
73
Srozumitelnost řešených příkladů
76
Srozumitelnost výkladu
80
85 18 3
96
34 48
103
64 0%
25 81
82
Množství řešených příkladů
23 1
92
31
63
114
5 15 1
37 32
2 61
10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1
2
3
4
5
100% skládaný pruhový graf
Grafické znázornění B) Výsečový graf – koláčový graf (pie chart) Na co si dát pozor?
• Neuvádění absolutních četností, resp. celkového počtu respondentů v „blízkosti“ grafu • Nadbytečné názvy grafu, legendy, … • Ne vždy je graf přehlednější než tabulka • „Jediná věc je horší než výsečový graf – několik nebo dokonce mnoho výsečových grafů“ Van Belle
Kategoriální proměnná ordinální (má smysl uspořádání)
(např. míra nezaměstnanosti (nízká, střední, vysoká), dosažené vzdělání, …)
Číselné charakteristiky
Seřazené podle velikosti
TABULKA ROZDĚLENÍ ČETNOSTI Varianty xi
Absolutní četnosti ni
Relativní četnosti pi
Kumulativní četnosti mi
Kumulativní relativní četnosti Fi
x1
n1
p1=n1/n
n1
p1
x2
n2
p2=n2/n
n1+n2
p1+p2
xk
nk
pk=nk/n
n1+n2+…+nk=n
p1+p2+…+pk=1
Celkem:
n1+n2+…+nk=n
1
----
----
+ Modus
Číselné charakteristiky TABULKA ROZDĚLENÍ ČETNOSTI Míra nezaměstnanosti
Absolutní četnosti
Relativní četnosti [%)
Kumulativní četnosti
Kumulativní relativní četnosti [%)
nízká
27
13,6
27
13,6
střední
146
73,7
173
87,4
vysoká
25
12,6
198
100,0
Celkem:
198
100,0
Modus = střední
Grafické znázornění A) Sloupcový graf (bar chart)
B) Výsečový graf – koláčový graf (pie chart)
EDA pro numerická data
Číselné charakteristiky
A) Míry polohy (úrovně) B) Míry variability
Míry polohy
Aritmetický průměr n
x
x i 1
n
i
1.
Průměrný věk 20 osob v místnosti je 25 let. 28 letý člověk odejde z místnosti a 30 letý člověk do místnosti vejde. Změní se průměrný věk osob v místnosti? Pokud ano, jaký je „nový“ průměrný věk osob v místnosti?
Aritmetický průměr n
x
x i 1
i
n
Pozor na ošidnost aritmetického průměru!
Jeden člověk sní celé kuře, druhý nic. V průměru měl každý půlku kuřete, takže se oba dobře najedli. ??? Průměr slouží k získání charakteristik velkého souboru objektů, ale ne k popisu jednotlivých objektů z tohoto souboru.
Předpokládejme, že v malé vesnici žije 6 lidí, jejichž roční příjem byl: $25 000 $27 000 $29 000 $35 000 $37 000 $38 000 Jaký je jejich průměrný plat? ($31 830)
Do vesničky se přistěhoval Bill Gates (roční příjem $40 000 000)
Jaký je nyní průměrný plat obyvatel vesnice? ($5 741 571)
Aritmetický průměr n
x
x i 1
i
n
Na co si dát pozor? • Průměr není rezistentní vůči odlehlým pozorováním! • Harmonický průměr (proměnné vyjadřující čas na jednotku výkonu, poměrná čísla) • Geometrický průměr (tempa růstu) • Vážený průměr • Průměrování dat na cirkulární škále Circular Statistics Toolbox
2.
Zemědělské družstvo dostalo 1 000 kuřat s průměrnou váhou 1,37 kg. Cena byla 50,- Kč za kilogram. Během dne se prodalo 300 kuřat za 24 000,- Kč. Jaká byla průměrná váha neprodaných kuřat?
Počet kuřat
Celková váha [kg]
Celková cena [Kč]
původně
1 000
1 370
50 1 370
prodáno
300
zůstalo
24 000
2.
Zemědělské družstvo dostalo 1 000 kuřat s průměrnou váhou 1,37 kg. Cena byla 50,- Kč za kilogram. Během dne se prodalo 300 kuřat za 24 000,- Kč. Jaká byla průměrná váha neprodaných kuřat?
Počet kuřat
Celková váha [kg]
Celková cena [Kč]
původně
1 000
1 370
50 1 370
prodáno
300
24 000/50 = 480
24 000
zůstalo
2.
Zemědělské družstvo dostalo 1 000 kuřat s průměrnou váhou 1,37 kg. Cena byla 50,- Kč za kilogram. Během dne se prodalo 300 kuřat za 24 000,- Kč. Jaká byla průměrná váha neprodaných kuřat?
Počet kuřat
Celková váha [kg]
Celková cena [Kč]
původně
1 000
1 370
50 1 370
prodáno
300
24 000/50 = 480
24 000
zůstalo
2.
Zemědělské družstvo dostalo 1 000 kuřat s průměrnou váhou 1,37 kg. Cena byla 50,- Kč za kilogram. Během dne se prodalo 300 kuřat za 24 000,- Kč. Jaká byla průměrná váha neprodaných kuřat?
Počet kuřat
Celková váha [kg]
Celková cena [Kč]
původně
1 000
1 370
50 1 370
prodáno
300
24 000/50 = 480
24 000
zůstalo
700
1370 – 480 = 890
890 x 1,27 700
kg
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že a) vzdálenost všech úseků je stejná – 5 km.
A
B
C
AB
BC
CD
Dráha [km]
5
5
5
Rychlost [km/h]
40
50
60
D
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že a) vzdálenost všech úseků je stejná – 5 km.
A
B
C
AB
BC
CD
Dráha [km]
5
5
5
Rychlost [km/h]
40
50
60
5/40
5/50
5/60
Čas [h]
D
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že a) vzdálenost všech úseků je stejná – 5 km.
A
B
C
D AD
AB
BC
CD
Dráha [km]
5
5
5
Rychlost [km/h]
40
50
60
5/40
5/50
5/60
Čas [h]
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že a) vzdálenost všech úseků je stejná – 5 km.
A
B
C
D
AB
BC
CD
AD
Dráha [km]
5
5
5
15
Rychlost [km/h]
40
50
60
5/40
5/50
5/60
Čas [h]
x
15 3 48,7 5 5 5 1 1 1 40 50 60 40 50 60
5/40 + 5/50 + 5/60
km / h
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že a) vzdálenost všech úseků je stejná – 5 km.
A
B
C
D
AB
BC
CD
AD
Dráha [km]
5
5
5
15
Rychlost [km/h]
40
50
60
5/40
5/50
5/60
Čas [h]
x
15 3 48,7 5 5 5 1 1 1 40 50 60 40 50 60
5/40 + 5/50 + 5/60
km / h
Harmonický průměr
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že b) Vzdálenost z A do B je 15% trasy a vzdálenost z C do D je 60% trasy.
A
B
C AB
Dráha [km] Rychlost [km/h]
D BC
0,15AD 40
CD 0,60AD
50
60
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že b) Vzdálenost z A do B je 15% trasy a vzdálenost z C do D je 60% trasy.
A
B
Dráha [km] Rychlost [km/h]
C
D
AB
BC
CD
0,15AD
0,25AD
0,60AD
40
50
60
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že b) Vzdálenost z A do B je 15% trasy a vzdálenost z C do D je 60% trasy.
A
B
Dráha [km] Rychlost [km/h] Čas [h]
C
D
AB
BC
CD
0,15AD
0,25AD
0,60AD
40
50
60
0,15AD/40
0,25AD/50
0,60AD/60
3.
Nákladní automobil jel z města A do města B rychlostí 40 km/h, z města B do města C rychlostí 50 km/h a z města C do města D rychlostí 60 km/h. Vypočítejte průměrnou rychlost, které dosáhl automobil na celé trase, víte-li, že b) Vzdálenost z A do B je 15% trasy a vzdálenost z C do D je 60% trasy.
A
B
Dráha [km] Rychlost [km/h] Čas [h]
C
D
AB
BC
CD
AD
0,15AD
0,25AD
0,60AD
AD
40
50
60
0,15AD/40
0,25AD/50
0,60AD/60
AD 1 x 53,3 0,15 AD 0,25 AD 0,60 AD 0,15 0,25 0,60 40 50 60 40 50 60
0,15AD/40 + 0,25AD/50 + 0,60AD/60
km / h
Vážený harmonický průměr
4.
Cena jedné akcie energetické společnosti vzrostla na burze XY v období od 13. do 15. března téhož roku z 952,50 Kč na 982,00 Kč. Jaký byl průměrný denní relativní přírůstek ceny této akcie?
Cena akcie [Kč] 13. března
952,50
14. března
?
15. března
982,0
4.
Cena jedné akcie energetické společnosti vzrostla na burze XY v období od 13. do 15. března téhož roku z 952,50 Kč na 982,00 Kč. Jaký byl průměrný denní relativní přírůstek ceny této akcie?
Cena akcie [Kč]
Koeficient růstu
13. března
952,50
14. března
?
?/952,5
15. března
982,0
982,0/?
Průměrný denní relativní přírůstek ceny akcie byl 1,5%. x
? 982,0 982,0 1,015 952,5 ? 952,5
Geometrický průměr
Výběrové kvantily 100p %-ní kvantil 𝑥𝑝 • odděluje 100p% menších hodnot od zbytku souboru (100p% hodnot datového souboru je menších než toto číslo.)
Význačné výběrové kvantily • Kvartily Dolní kvartil 𝑥0,25 Medián 𝑥0,5 Horní kvartil 𝑥0,75 • Decily – 𝑥0,1 ; 𝑥0,2 ; ... ; 𝑥0,9 • Percentily – 𝑥0,01 ; 𝑥0,02 ; …; 𝑥0,03 • Minimum 𝑥𝑚𝑖𝑛 a Maximum 𝑥𝑚𝑎𝑥
Jak se výběrové kvantily určují? Jedna z používaných metod: 1. Výběrový soubor uspořádáme podle velikosti. 2. Jednotlivým hodnotám proměnné přiřadíme pořadí, a to tak, že nejmenší hodnota bude mít pořadí 1 a nejvyšší hodnota pořadí n (rozsah souboru). 3. 100p%- ní kvantil je roven hodnotě proměnné s pořadím 𝑧𝑝 , kde 𝑧𝑝 = 𝑛𝑝 + 0,5. 4.
Není-li 𝑧𝑝 celé číslo, pak daný kvantil určíme jako průměr prvků s pořadím 𝑧𝑝 a 𝑧𝑝 .
5.
V předložených datech určete 0,3 kvantil (30-ti procentní kvantil):
MN [%] 8,7 7,8 6,8 6,8 7,8 9,7 15,7 6,8 4,9 6,8 𝑧𝑝 = 𝑛𝑝 + 0,5
5.
V předložených datech určete 0,3 kvantil (30-ti procentní kvantil):
MN [%] 8,7 7,8 6,8 6,8 7,8 9,7 15,7 6,8 4,9 6,8 𝑧𝑝 = 𝑛𝑝 + 0,5
MN [%] (seřazeno) 4,9 6,8 6,8 6,8 6,8 7,8 7,8 8,7 9,7 16 ⇒ 𝑧0,3 = 10 ∙ 0,3 + 0,5 = 3,5
5.
V předložených datech určete 0,3 kvantil (30-ti procentní kvantil):
MN [%] 8,7 7,8 6,8 6,8 7,8 9,7 15,7 6,8 4,9 6,8
MN [%] (seřazeno) 4,9 6,8 6,8 6,8 6,8 7,8 7,8 8,7 9,7 16
𝑧𝑝 = 𝑛𝑝 + 0,5 ⇒ 𝑧0,3 = 10 ∙ 0,3 + 0,5 = 3,5
𝑥0,3
6,8 + 6,8 = = 𝟔, 𝟖 2
6.
Průměrný věk 20 osob v místnosti je 25 let. 28 letý člověk odejde z místnosti a 30 letý člověk do místnosti vejde. Změní se medián věku osob v místnosti? Pokud ano, jaký je „nový“ medián věku osob v místnosti?
7.
Průměrný věk 21 osob v místnosti je 25 let. 28 letý člověk odejde z místnosti a 30 letý člověk do místnosti vejde. Změní se medián věku osob v místnosti? Pokud ano, jaký je „nový“ medián věku osob v místnosti?
Efekt změny jednotky Jak se změní míry polohy, změníme-li jednotku měřené veličiny (minuty hodiny, metr palec, atd.)? • Když přičteme konstantu ke každé hodnotě, tak se průměr i medián změní o tutéž konstantu. • Když každou hodnotu násobíme konstantou, průměr i medián jsou násobeny toutéž konstantou.
Míry variability
Výběrový rozptyl
x n
s2
i 1
i
x
2
n 1
Na co si dát pozor? Rozměr rozptylu charakteristiky je druhou mocninou rozměru proměnné.
Výběrová směrodatná odchylka
x n
s s 2
i 1
i
x
n 1
2
Jakou představu o variabilitě dat nám dává sm. odchylka? 1 Čebyševova nerovnost: ∀𝑘 > 0: 𝑃 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 > 1 − 2 𝑘 k 1 2 3
𝑃 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 >0 >0,75 >0,89
Empirické pravidlo 3 sigma k 1 2 3
𝑃 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 0,682 0,954 0,998
Variační koeficient
(Směrodatná odchylka v procentech aritmetického průměru)
s Vx 100 % x • Čím nižší var. koeficient, tím homogennější soubor. • Vx > 50% značí silně rozptýlený soubor.
Proč potřebujeme bezrozměrnou míru variability? Umožňuje srovnání variability proměnných, které mají různé jednotky.
Interkvartilové rozpětí
𝐼𝑄𝑅 = 𝑥0,75 - 𝑥0,25
Užití: např. při identifikaci odlehlých pozorování
Efekt změny jednotky Jak se změní míry variability, změníme-li jednotku měřené veličiny (minuty hodiny, metr palec, atd.)? • Když přičteme konstantu ke každé hodnotě, vzdálenosti mezi hodnotami zůstanou zachovány. V důsledku toho se rozptyl ani směrodatná odchylka nezmění. • Když každou hodnotu násobíme konstantou, rozptyl je násoben kvadrátem této konstanty (viz definice rozptylu), směrodatná odchylka je násobena danou konstantou.
8. Průměrná roční teplota v Praze je 10,40°C, rozptyl teploty je 0,25°C2. Určete průměrnou roční teplotu v Praze a její rozptyl ve stupních Fahrenheita. 9𝐶 𝐹= + 32 5 9 5
𝑥 °𝐹 = 𝑥 °𝐶 + 32 = 50,72°F
2
𝑠 °𝐹
2
=
9 2 2 𝑠 5
°𝐶 2 = 0,81°F2
MAD • median absolute deviation from the median, čili česky: medián absolutních odchylek od mediánu • pomocná proměnná pro identifikaci odlehlých pozorování Jak jej určíme? 1. Výběrový soubor uspořádáme podle velikosti. 2. Určíme medián souboru. 3. Pro každou hodnotu souboru určíme absolutní hodnotu její odchylky od mediánu. 4. Absolutní odchylky od mediánu uspořádáme podle velikosti. 5. Určíme medián absolutních odchylek od mediánu, tj. MAD.
Odlehlá pozorování • ty hodnoty proměnné, které se mimořádně liší od ostatních hodnot a tím ovlivňují např. vypovídací hodnotu průměru. Jak postupovat v případě, že v datech identifikujeme odlehlá pozorování? • V případě, že odlehlost pozorování je způsobena: – hrubými chybami, překlepy, prokazatelným selháním lidí či techniky ... – důsledky poruch, chybného měření, technologických chyb ... tzn., známe-li příčinu odlehlosti a předpokládáme-li, že již nenastane, jsme oprávněni tato pozorování vyloučit z dalšího zpracování. • V ostatních případech je nutno zvážit, zda se vyloučením odlehlých pozorování nepřipravíme o důležité informace o jevech vyskytujících se s nízkou četností.
Identifikace odlehlých pozorování • Metoda vnitřních hradeb
x
i
x0, 25 1,5IQR xi x0,75 1,5IQR xi je odlehlým pozorováním Dolní mez vnitřních hradeb
Horní mez vnitřních hradeb
Identifikace extrémních pozorování • Metoda vnějších hradeb
xi x0,25 3IQR xi x0,75 3IQR xi Dolní mez vnějších hradeb
Horní mez vnějších hradeb
je extrémním pozorováním
9.
V předložených datech identifikujte odlehlá pozorování:
MN0,25=6,8 MN0,5=7,3 MN0,75=8,7
Vnitřní hradby: Dolní mez: 6,8-2,85=3,95
MN [%] 4,9 6,8 6,8 6,8 6,8 7,8 7,8 8,7 9,7 15,7
IQR=MN0,75-MN0,25=1,9 1,5.IQR=2,85
Horní mez: 8,7+2,85=11,55
9.
V předložených datech identifikujte odlehlá pozorování:
MN0,25=6,8 MN0,5=7,3 MN0,75=8,7
Vnitřní hradby: Dolní mez: 6,8-2,85=3,95
MN [%] 4,9 6,8 6,8 6,8 6,8 7,8 7,8 8,7 9,7 15,7
IQR=MN0,75-MN0,25=1,9 1,5.IQR=2,85
Horní mez: 8,7+2,85=11,55
Identifikace odlehlých pozorování z-souřadnice 𝑧 − 𝑠𝑜𝑢ř𝑎𝑑𝑛𝑖𝑐𝑒𝑖 =
𝑥𝑖 − 𝑥 𝑠
Je-li 𝑧 − 𝑠𝑜𝑢ř𝑎𝑑𝑛𝑖𝑐𝑒𝑖 > 3, je 𝑥𝑖 odlehlým pozorováním.
Zase nový vzorec?
Identifikace odlehlých pozorování z-souřadnice 𝑧 − 𝑠𝑜𝑢ř𝑎𝑑𝑛𝑖𝑐𝑒𝑖 =
𝑥𝑖 − 𝑥 𝑠
Je-li 𝑧 − 𝑠𝑜𝑢ř𝑎𝑑𝑛𝑖𝑐𝑒𝑖 > 3, je 𝑥𝑖 odlehlým pozorováním. Ne, jde jen o jinou podobu pravidla 3𝜎!
Identifikace odlehlých pozorování 𝒙𝟎,𝟓 -souřadnice 𝑥0,5 − 𝑠𝑜𝑢ř𝑎𝑑𝑛𝑖𝑐𝑒𝑖 =
𝑥𝑖 − 𝑥0,5 1,483𝑀𝐴𝐷
Je-li 𝑥0,5 − 𝑠𝑜𝑢ř𝑎𝑑𝑛𝑖𝑐𝑒𝑖 > 3, je 𝑥𝑖 odlehlým pozorováním.
Míry šikmosti a špičatosti
Jsou míry polohy a míry variability dostatečné pro posouzení rozdělení sledovaných veličin?
Zdroj: TVRDÍK, J.: Základy matematické statistiky, Ostravská univerzita, 2008
Všech pět ukázek má stejné charakteristiky polohy i variability (průměry i směrodatné odchylky jsou shodné). Přesto na první pohled vidíme, že tvary rozdělení dat jsou různé.
Výběrová šikmost (standardizovaná) 𝑛
𝑎=
𝑓(x)
𝑛−1 𝑛−2
∙
𝑛 𝑖=1
𝑥𝑖 − 𝑥 𝑠3
𝑓 (x)
𝑓 (x)
x 𝑎<0 negativně zešikmené rozdělení
𝑥 < 𝑥0,5 < 𝑥
3
x
x 𝑎=0 symetrické rozdělení 𝑥 = 𝑥0,5 = 𝑥 obvykle
𝑎>0 pozitivně zešikmené rozdělení 𝑥 > 𝑥0,5 > 𝑥
Výběrová špičatost (standardizovaná) • míra koncentrace kolem průměru 𝑛 𝑛+1 𝑏= ∙ 𝑛−1 𝑛−2 𝑛−3
𝑛 𝑖=1
𝑥𝑖 − 𝑥 𝑠4
4
𝑛−1 2 −3 𝑛−2 𝑛−3
𝑓 (x)
𝑓(x)
x
𝑏<0 špičatost menší než u norm. rozdělení (plošší rozdělení)
𝑓 (x)
x
x
𝑏=0 špičatost odpovídající normálnímu rozdělení
𝑏>0 špičatost větší než u norm. rozdělení (špičatější rozdělení)
Jsou míry polohy a míry variability dostatečné pro posouzení rozdělení sledovaných veličin?
Zdroj: TVRDÍK, J.: Základy matematické statistiky, Ostravská univerzita, 2008
Všech pět ukázek má stejné charakteristiky polohy i variability (průměry i směrodatné odchylky jsou shodné). Přesto na první pohled vidíme, že tvary rozdělení dat jsou různé. K číselnému vyjádření těchto rozdílů nám slouží další charakteristiky - šikmost (g1, angl. skewness) a špičatost (g2, angl. kurtosis).
Přesnost číselných charakteristik
Směrodatnou odchylku jakožto míru nejistoty měření zaokrouhlujeme nahoru na jednu, maximálně dvě platné cifry a míry polohy (průměr, kvantily…) zaokrouhlujeme tak, aby nejnižší zapsaný řád odpovídal nejnižšímu zapsanému řádu směrodatné odchylky.
Chybný zápis číselných charakteristik
Průměr Medián Směrodatná odchylka Proč je zápis chybný?
Délka [m]
Váha [kg]
Teplota [0C]
2,26 2,675
127,6 117,8
0,78
23,7
14 567 13 700 1 200 (před zaokrouhlením 1235)
Chybný zápis číselných charakteristik
Průměr Medián Směrodatná odchylka Proč je zápis chybný?
Délka [m]
Váha [kg]
Teplota [0C]
2,26 2,675
127,6 117,8
0,78
23,7
14 567 13 700 1 200 (před zaokrouhlením 1235)
Různý počet des. míst.
Chybný zápis číselných charakteristik
Průměr Medián Směrodatná odchylka Proč je zápis chybný?
Délka [m]
Váha [kg]
Teplota [0C]
2,26 2,675
127,6 117,8
0,78
23,7
14 567 13 700 1 200 (před zaokrouhlením 1235)
3 platné Různý cifry počet des. u směrodatné míst. odchylky.
Chybný zápis číselných charakteristik
Průměr Medián Směrodatná odchylka
Proč je zápis chybný?
Délka [m]
Váha [kg]
2,26 2,675
127,6 117,8
Teplota [0C]
14 567 13 700 1 200 0,78 23,7 (před zaokrouhlením 1235) Nejnižší zapsaný řád 3 platné průměru (jednotky) Různý neodpovídá nejnižšímu cifry počet des. u zapsanému řádu směrodatné směrodatné odchylky (stovky)+ směr. míst. odch. není zaokrouhlena odchylky. nahoru.
Oprava
Průměr Medián Směrodatná odchylka
Proč je zápis chybný?
Délka [m]
Váha [kg]
2,26 2,68
127,6 117,8
0,78
Teplota [0C]
14 567 13 700 1 200 23,7 (před zaokrouhlením 1235) Nejnižší zapsaný řád 3 platné průměru (jednotky) neodpovídá nejnižšímu cifry u zapsanému řádu směrodatné směrodatné odchylky (stovky)+ směr. odch. není zaokrouhlena odchylky. nahoru.
Oprava
Průměr Medián Směrodatná odchylka
Proč je zápis chybný?
Délka [m]
Váha [kg]
Teplota [0C]
2,26 2,675
128 118
0,78
24
14 567 13 700 1 200 (před zaokrouhlením 1235) Nejnižší zapsaný řád průměru (jednotky) neodpovídá nejnižšímu zapsanému řádu směrodatné odchylky (stovky)+ směr. odch. není zaokrouhlena nahoru.
Správný zápis číselných charakteristik
Průměr Medián Směrodatná odchylka
Délka [m]
Váha [kg]
Teplota [0C]
2,26 2,675
127,6 117,8
14 600 13 700
0,78
23,7
1 300
Grafické znázornění num. proměnné A.) Krabicový graf (Box plot)
Četnost 45 40 35 30 25 20 15 10 5 0 Četnost 16 14 12 10 8 6 4 2 0 (158,7; 168,1>
(139,9; 149,3>
(121,1; 130,5>
(102,3; 111,7>
(83,5; 92,9>
(64,7; 74,1>
(45,9; 55,3>
<27,1; 36,5>
(147,4; 177,6>
(117,4; 147,4>
(87,3; 117,4>
(57,2; 87,3>
<27,1; 57,2>
Grafické znázornění num. proměnné B.) Histogram
Na co si dát pozor?
Grafické znázornění num. proměnné B.) Histogram
Grafické znázornění num. proměnné B.) Histogram Četnost 45 40 35 30 25 20 15 10 5 0
30
Četnost
25 20 15 10 5
(147,4; 177,6>
(117,4; 147,4>
(87,3; 117,4>
(57,2; 87,3>
<27,1; 57,2>
0
Výpočetní applet Explorační analýza
27,1 43,8 60,6 77,3 94,0 110,7 127,4 144,1 160,8 Další
Data
MS Excel 2007, funkce Histogram
Na co si dát pozor?
Souvislost mezi číselnými charakteristikami a grafy
V java appletu Výběrové charakteristiky sledujte souvislost mezi číselnými charakteristikami a grafy numerické proměnné.
Zajímavé odkazy k tématu Exploratorní statistika • Slovníček pojmů z exploratorní statistiky aneb co by se Vám mohlo hodit při práci se statistickým softwarem v angličtině • Interstat – sylabus popisné statistiky (nedokončeno) • Jak nevytvářet grafy (anglicky) The Evil Tutor‘s Guide
•
Real Time Statistics Project
• Projekt Gapminder • Circular Statistics Toolbox (Matlab)