statistika (kmi/pstat) - cvicení dvanácté aneb regrese a...
TRANSCRIPT
Statistika (KMI/PSTAT)Cvicenı dvanacte
anebRegrese a korelace
Statistika (KMI/PSTAT) 1 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 2 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 2 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 2 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 3 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 4 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 5 / 18
Uvod do regresnı analyzy
V souboru 25 jedincu jsme merili jejich vysku a hmotnost. Vysledky jsou v tabulce a grafu.
resp. c. 1 2 3 4 5 6 7 8 9 10 . . .vyska [cm] 164 178 187 182 161 183 190 160 193 183 . . .hmotnost [kg] 60 79 91 77 57 86 87 56 103 80 . . .
Statistika (KMI/PSTAT) 6 / 18
Uvod do regresnı analyzy
Regresnı analyza - regreseMame spojite veliciny a snazıme se najıt matemeticky model zavislosti techto velicin, tj. najıtvzorec, ktery cıselne popisuje vztah techto velicin
⇒ m = 1, 25·h−145, 1
Statistika (KMI/PSTAT) 7 / 18
Uvod do regresnı analyzy
Regresnı analyza - regreseMame spojite veliciny a snazıme se najıt matemeticky model zavislosti techto velicin, tj. najıtvzorec, ktery cıselne popisuje vztah techto velicin
⇒ m = 1, 25·h−145, 1
Statistika (KMI/PSTAT) 7 / 18
Uvod do regresnı analyzy
Regresnı analyza - regreseMame spojite veliciny a snazıme se najıt matemeticky model zavislosti techto velicin, tj. najıtvzorec, ktery cıselne popisuje vztah techto velicin
⇒ m = 1, 25·h−145, 1
Statistika (KMI/PSTAT) 7 / 18
Uvod do regresnı analyzy
Korelacnı analyza - korelaceKorelace - merenı kvality matematickeho modelu popisujıcıho zavislost spojitych velicin, tj. popis
”tesnosti“ namerenych dat a pouziteho matematickeho modelu; vcetne stanovenı, zda mezi
velicinami existuje zavislost
silna zavislost → vysoky korelacnı koeficient
zadna (slaba) zavislost → nulovy (blızky nule) korelacnı koeficient
Statistika (KMI/PSTAT) 8 / 18
Uvod do regresnı analyzy
Korelacnı analyza - korelaceKorelace - merenı kvality matematickeho modelu popisujıcıho zavislost spojitych velicin, tj. popis
”tesnosti“ namerenych dat a pouziteho matematickeho modelu; vcetne stanovenı, zda mezi
velicinami existuje zavislost
silna zavislost → vysoky korelacnı koeficient
zadna (slaba) zavislost → nulovy (blızky nule) korelacnı koeficient
Statistika (KMI/PSTAT) 8 / 18
Uvod do regresnı analyzy
Korelacnı analyza - korelaceKorelace - merenı kvality matematickeho modelu popisujıcıho zavislost spojitych velicin, tj. popis
”tesnosti“ namerenych dat a pouziteho matematickeho modelu; vcetne stanovenı, zda mezi
velicinami existuje zavislost
silna zavislost → vysoky korelacnı koeficient
zadna (slaba) zavislost → nulovy (blızky nule) korelacnı koeficient
Statistika (KMI/PSTAT) 8 / 18
Uvod do regresnı analyzy
Linearnı regreseHledame rovnici prımky, tj. predpis funkcnı zavislosti ve tvaru linearnı funkce y = b0 + b1x, kde
b1 =x · y − x · yx2 −
(x)2 , b0 = y − b1x.
Linearnı regrese
Naleznete regresnı prımku pro body [1; 3], [2; 5], [3; 11], [4; 14], tj.x 1 2 3 4y 3 5 11 14
x =10
4= 2, 5
y =33
4= 8, 25
x · y =102
4= 25, 5
x2 =30
4= 7, 5
b1 =x · y − x · yx2 −
(x)2 =
25, 5− 2, 5 · 8, 257, 5−
(2, 25
)2 =4, 875
1, 25= 3, 9
b0 = y − b1x = 8, 25− 3, 9 · 2, 5 = −1, 5
y= −1, 5 + 3, 9x, resp. y = 3, 9x− 1, 5
Statistika (KMI/PSTAT) 9 / 18
Uvod do regresnı analyzy
Linearnı regreseHledame rovnici prımky, tj. predpis funkcnı zavislosti ve tvaru linearnı funkce y = b0 + b1x, kde
b1 =x · y − x · yx2 −
(x)2 , b0 = y − b1x.
Linearnı regrese
Naleznete regresnı prımku pro body [1; 3], [2; 5], [3; 11], [4; 14], tj.x 1 2 3 4y 3 5 11 14
x =10
4= 2, 5
y =33
4= 8, 25
x · y =102
4= 25, 5
x2 =30
4= 7, 5
b1 =x · y − x · yx2 −
(x)2 =
25, 5− 2, 5 · 8, 257, 5−
(2, 25
)2 =4, 875
1, 25= 3, 9
b0 = y − b1x = 8, 25− 3, 9 · 2, 5 = −1, 5
y= −1, 5 + 3, 9x, resp. y = 3, 9x− 1, 5
Statistika (KMI/PSTAT) 9 / 18
Uvod do regresnı analyzy
Linearnı regreseHledame rovnici prımky, tj. predpis funkcnı zavislosti ve tvaru linearnı funkce y = b0 + b1x, kde
b1 =x · y − x · yx2 −
(x)2 , b0 = y − b1x.
Linearnı regrese
Naleznete regresnı prımku pro body [1; 3], [2; 5], [3; 11], [4; 14], tj.x 1 2 3 4y 3 5 11 14
x =10
4= 2, 5
y =33
4= 8, 25
x · y =102
4= 25, 5
x2 =30
4= 7, 5
b1 =x · y − x · yx2 −
(x)2 =
25, 5− 2, 5 · 8, 257, 5−
(2, 25
)2 =4, 875
1, 25= 3, 9
b0 = y − b1x = 8, 25− 3, 9 · 2, 5 = −1, 5
y= −1, 5 + 3, 9x, resp. y = 3, 9x− 1, 5
Statistika (KMI/PSTAT) 9 / 18
Uvod do regresnı analyzy
Linearnı regreseHledame rovnici prımky, tj. predpis funkcnı zavislosti ve tvaru linearnı funkce y = b0 + b1x, kde
b1 =x · y − x · yx2 −
(x)2 , b0 = y − b1x.
Linearnı regrese
Naleznete regresnı prımku pro body [1; 3], [2; 5], [3; 11], [4; 14], tj.x 1 2 3 4y 3 5 11 14
x =10
4= 2, 5
y =33
4= 8, 25
x · y =102
4= 25, 5
x2 =30
4= 7, 5
b1 =x · y − x · yx2 −
(x)2 =
25, 5− 2, 5 · 8, 257, 5−
(2, 25
)2 =4, 875
1, 25= 3, 9
b0 = y − b1x = 8, 25− 3, 9 · 2, 5 = −1, 5
y= −1, 5 + 3, 9x, resp. y = 3, 9x− 1, 5
Statistika (KMI/PSTAT) 9 / 18
Uvod do regresnı analyzy
Rovnice regresnı funkce ve tvaru polynomuMejme namereno m datovych bodu [x1, y1], [x2, y2], [x3, y3], . . . [xm, ym]. Hledame predpisfunkcnı zavislosti ve tvaru polynomicke funkce stupne n, tj. y = b0 + b1x+ b2x2 + . . .+ bnxn,tj. y = X ·B, kde
X = (1, x, . . . , xn) a B =
b0b1...bn
.
Lze ukazat, ze B vypocteme ze vztahu
B =(FT · F
)−1· FT · −→y ,
kde
F =
1 x1 (x1)2 . . . (x1)n
1 x2 (x2)2 . . . (x2)n
1 x3 (x3)2 . . . (x3)n
......
......
1 xm (xm)2 . . . (xm)n
a −→y =
y1y2...ym
.
Statistika (KMI/PSTAT) 10 / 18
Uvod do regresnı analyzy
Rovnice regresnı funkce ve tvaru polynomuMejme namereno m datovych bodu [x1, y1], [x2, y2], [x3, y3], . . . [xm, ym]. Hledame predpisfunkcnı zavislosti ve tvaru polynomicke funkce stupne n, tj. y = b0 + b1x+ b2x2 + . . .+ bnxn,tj. y = X ·B, kde
X = (1, x, . . . , xn) a B =
b0b1...bn
.
Lze ukazat, ze B vypocteme ze vztahu
B =(FT · F
)−1· FT · −→y ,
kde
F =
1 x1 (x1)2 . . . (x1)n
1 x2 (x2)2 . . . (x2)n
1 x3 (x3)2 . . . (x3)n
......
......
1 xm (xm)2 . . . (xm)n
a −→y =
y1y2...ym
.
Statistika (KMI/PSTAT) 10 / 18
Uvod do regresnı analyzy
Linearnı regrese
Naleznete regresnı kvadratickou funkci y = b0 + b1x+ b2x2 pro body [1; 3], [2; 5], [3; 11], [4; 14],
tj.x 1 2 3 4y 3 5 11 14
, kde B =(FT · F
)−1 · FT · −→y .
F =
1 x1 (x1)2 . . . (x1)n
1 x2 (x2)2 . . . (x2)n
......
......
1 xm (xm)2 . . . (xm)n
=
1 x1 (x1)2
1 x2 (x2)2
1 x3 (x3)2
1 x4 (x4)2
=
1 1 11 2 41 3 91 4 16
B =
b0b1b2
=
1 1 1 1
1 2 3 41 4 9 16
·
1 1 11 2 41 3 91 4 16
−1
·
1 1 1 11 2 3 41 4 9 16
·
351114
B =
4 10 3010 30 10030 100 354
−1
·
33102346
=
−0, 252, 650, 25
⇒ y = 0, 25x2 + 2, 65x− 0, 25
Statistika (KMI/PSTAT) 11 / 18
Uvod do regresnı analyzy
Linearnı regrese
Naleznete regresnı kvadratickou funkci y = b0 + b1x+ b2x2 pro body [1; 3], [2; 5], [3; 11], [4; 14],
tj.x 1 2 3 4y 3 5 11 14
, kde B =(FT · F
)−1 · FT · −→y .
F =
1 x1 (x1)2 . . . (x1)n
1 x2 (x2)2 . . . (x2)n
......
......
1 xm (xm)2 . . . (xm)n
=
1 x1 (x1)2
1 x2 (x2)2
1 x3 (x3)2
1 x4 (x4)2
=
1 1 11 2 41 3 91 4 16
B =
b0b1b2
=
1 1 1 1
1 2 3 41 4 9 16
·
1 1 11 2 41 3 91 4 16
−1
·
1 1 1 11 2 3 41 4 9 16
·
351114
B =
4 10 3010 30 10030 100 354
−1
·
33102346
=
−0, 252, 650, 25
⇒ y = 0, 25x2 + 2, 65x− 0, 25
Statistika (KMI/PSTAT) 11 / 18
Uvod do regresnı analyzy
Linearnı regrese
Naleznete regresnı kvadratickou funkci y = b0 + b1x+ b2x2 pro body [1; 3], [2; 5], [3; 11], [4; 14],
tj.x 1 2 3 4y 3 5 11 14
, kde B =(FT · F
)−1 · FT · −→y .
F =
1 x1 (x1)2 . . . (x1)n
1 x2 (x2)2 . . . (x2)n
......
......
1 xm (xm)2 . . . (xm)n
=
1 x1 (x1)2
1 x2 (x2)2
1 x3 (x3)2
1 x4 (x4)2
=
1 1 11 2 41 3 91 4 16
B =
b0b1b2
=
1 1 1 1
1 2 3 41 4 9 16
·
1 1 11 2 41 3 91 4 16
−1
·
1 1 1 11 2 3 41 4 9 16
·
351114
B =
4 10 3010 30 10030 100 354
−1
·
33102346
=
−0, 252, 650, 25
⇒ y = 0, 25x2 + 2, 65x− 0, 25
Statistika (KMI/PSTAT) 11 / 18
Uvod do regresnı analyzy
Linearnı regrese
Naleznete regresnı kvadratickou funkci y = b0 + b1x+ b2x2 pro body [1; 3], [2; 5], [3; 11], [4; 14],
tj.x 1 2 3 4y 3 5 11 14
, kde B =(FT · F
)−1 · FT · −→y .
F =
1 x1 (x1)2 . . . (x1)n
1 x2 (x2)2 . . . (x2)n
......
......
1 xm (xm)2 . . . (xm)n
=
1 x1 (x1)2
1 x2 (x2)2
1 x3 (x3)2
1 x4 (x4)2
=
1 1 11 2 41 3 91 4 16
B =
b0b1b2
=
1 1 1 1
1 2 3 41 4 9 16
·
1 1 11 2 41 3 91 4 16
−1
·
1 1 1 11 2 3 41 4 9 16
·
351114
B =
4 10 3010 30 10030 100 354
−1
·
33102346
=
−0, 252, 650, 25
⇒ y = 0, 25x2 + 2, 65x− 0, 25
Statistika (KMI/PSTAT) 11 / 18
Korelacnı analyza
Index determinace
K merenı kvality nalezeneho regresnıho modelu pouzıvame index determinace I2 = 1−Qe
Qy, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
Qy =∑i(yi − y)2 . . . variabilita dat,
yi . . . teoreticka hodnota y vypoctena na zaklade regresnıho modelu,yi . . . namerena hodnota y.
Index determinaceVypoctete index determinace pro data z predchozı ulohy, tj. pro body [1; 3], [2; 5], [3; 11], [4; 14]a regresnı funkci y = 3, 9x− 1, 5.
x y y y − y (y − y)2 y − 8, 25 (y − 8, 25)2
1 3 2,4 0,6 0,36 −5, 25 27,56252 5 6,3 1,3 1,69 −3, 25 10,56253 11 10,2 0,8 0,64 2, 75 7,56254 14 14,1 0,1 0,01 5, 75 33,0625
soucet 33 2,7 78,75
I2 = 1−2, 7
78, 75=
78, 75− 2, 7
78, 75=
76, 05
78, 75
.= 0, 966
Statistika (KMI/PSTAT) 12 / 18
Korelacnı analyza
Index determinace
K merenı kvality nalezeneho regresnıho modelu pouzıvame index determinace I2 = 1−Qe
Qy, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
Qy =∑i(yi − y)2 . . . variabilita dat,
yi . . . teoreticka hodnota y vypoctena na zaklade regresnıho modelu,yi . . . namerena hodnota y.
Index determinaceVypoctete index determinace pro data z predchozı ulohy, tj. pro body [1; 3], [2; 5], [3; 11], [4; 14]a regresnı funkci y = 3, 9x− 1, 5.
x y y y − y (y − y)2 y − 8, 25 (y − 8, 25)2
1 3 2,4 0,6 0,36 −5, 25 27,56252 5 6,3 1,3 1,69 −3, 25 10,56253 11 10,2 0,8 0,64 2, 75 7,56254 14 14,1 0,1 0,01 5, 75 33,0625
soucet 33 2,7 78,75
I2 = 1−2, 7
78, 75=
78, 75− 2, 7
78, 75=
76, 05
78, 75
.= 0, 966
Statistika (KMI/PSTAT) 12 / 18
Korelacnı analyza
Index determinace
K merenı kvality nalezeneho regresnıho modelu pouzıvame index determinace I2 = 1−Qe
Qy, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
Qy =∑i(yi − y)2 . . . variabilita dat,
yi . . . teoreticka hodnota y vypoctena na zaklade regresnıho modelu,yi . . . namerena hodnota y.
Index determinaceVypoctete index determinace pro data z predchozı ulohy, tj. pro body [1; 3], [2; 5], [3; 11], [4; 14]a regresnı funkci y = 3, 9x− 1, 5.
x y y y − y (y − y)2 y − 8, 25 (y − 8, 25)2
1 3 2,4 0,6 0,36 −5, 25 27,56252 5 6,3 1,3 1,69 −3, 25 10,56253 11 10,2 0,8 0,64 2, 75 7,56254 14 14,1 0,1 0,01 5, 75 33,0625
soucet 33 2,7 78,75
I2 = 1−2, 7
78, 75=
78, 75− 2, 7
78, 75=
76, 05
78, 75
.= 0, 966
Statistika (KMI/PSTAT) 12 / 18
Korelacnı analyza
Index determinace
K merenı kvality nalezeneho regresnıho modelu pouzıvame index determinace I2 = 1−Qe
Qy, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
Qy =∑i(yi − y)2 . . . variabilita dat,
yi . . . teoreticka hodnota y vypoctena na zaklade regresnıho modelu,yi . . . namerena hodnota y.
Index determinaceVypoctete index determinace pro data z predchozı ulohy, tj. pro body [1; 3], [2; 5], [3; 11], [4; 14]a regresnı funkci y = 3, 9x− 1, 5.
x y y y − y (y − y)2 y − 8, 25 (y − 8, 25)2
1 3 2,4 0,6 0,36 −5, 25 27,56252 5 6,3 1,3 1,69 −3, 25 10,56253 11 10,2 0,8 0,64 2, 75 7,56254 14 14,1 0,1 0,01 5, 75 33,0625
soucet 33 2,7 78,75
I2 = 1−2, 7
78, 75=
78, 75− 2, 7
78, 75=
76, 05
78, 75
.= 0, 966
Statistika (KMI/PSTAT) 12 / 18
Korelacnı analyza
Korelacnı koeficientK merenı kvality nalezeneho linearnıho regresnıho modelu pouzıvame korelacnı koeficient
r = sgn(b1) ·√I2.
r = sgn(3, 9) ·√
0, 966 = 1 · 0, 983 = 0, 983
Korelacnı koeficient
Korelacnı koeficient lze vypocıtat take ze vztahu r =x · y − x · y√(
x2 − (x)2)·(y2 − (y)2
)x y x2 y2 x · y1 3 1 9 32 5 4 25 103 11 9 11 334 14 16 196 56
soucet 10 33 30 351 102
x = 10/4 = 2, 5
y = 33/4 = 8, 25
x2 = 30/4 = 7, 5
y2 = 351/4 = 87, 75
x · y = 102/4 = 25, 5
r =25, 5− 2, 5 · 8, 25√
(7, 5− (2, 5)2) · (87, 75− (8, 25)2)
.= 0, 983
Statistika (KMI/PSTAT) 13 / 18
Korelacnı analyza
Korelacnı koeficientK merenı kvality nalezeneho linearnıho regresnıho modelu pouzıvame korelacnı koeficient
r = sgn(b1) ·√I2.
r = sgn(3, 9) ·√
0, 966 = 1 · 0, 983 = 0, 983
Korelacnı koeficient
Korelacnı koeficient lze vypocıtat take ze vztahu r =x · y − x · y√(
x2 − (x)2)·(y2 − (y)2
)x y x2 y2 x · y1 3 1 9 32 5 4 25 103 11 9 11 334 14 16 196 56
soucet 10 33 30 351 102
x = 10/4 = 2, 5
y = 33/4 = 8, 25
x2 = 30/4 = 7, 5
y2 = 351/4 = 87, 75
x · y = 102/4 = 25, 5
r =25, 5− 2, 5 · 8, 25√
(7, 5− (2, 5)2) · (87, 75− (8, 25)2)
.= 0, 983
Statistika (KMI/PSTAT) 13 / 18
Korelacnı analyza
Korelacnı koeficientK merenı kvality nalezeneho linearnıho regresnıho modelu pouzıvame korelacnı koeficient
r = sgn(b1) ·√I2.
r = sgn(3, 9) ·√
0, 966 = 1 · 0, 983 = 0, 983
Korelacnı koeficient
Korelacnı koeficient lze vypocıtat take ze vztahu r =x · y − x · y√(
x2 − (x)2)·(y2 − (y)2
)
x y x2 y2 x · y1 3 1 9 32 5 4 25 103 11 9 11 334 14 16 196 56
soucet 10 33 30 351 102
x = 10/4 = 2, 5
y = 33/4 = 8, 25
x2 = 30/4 = 7, 5
y2 = 351/4 = 87, 75
x · y = 102/4 = 25, 5
r =25, 5− 2, 5 · 8, 25√
(7, 5− (2, 5)2) · (87, 75− (8, 25)2)
.= 0, 983
Statistika (KMI/PSTAT) 13 / 18
Korelacnı analyza
Korelacnı koeficientK merenı kvality nalezeneho linearnıho regresnıho modelu pouzıvame korelacnı koeficient
r = sgn(b1) ·√I2.
r = sgn(3, 9) ·√
0, 966 = 1 · 0, 983 = 0, 983
Korelacnı koeficient
Korelacnı koeficient lze vypocıtat take ze vztahu r =x · y − x · y√(
x2 − (x)2)·(y2 − (y)2
)x y x2 y2 x · y1 3 1 9 32 5 4 25 103 11 9 11 334 14 16 196 56
soucet 10 33 30 351 102
x = 10/4 = 2, 5
y = 33/4 = 8, 25
x2 = 30/4 = 7, 5
y2 = 351/4 = 87, 75
x · y = 102/4 = 25, 5
r =25, 5− 2, 5 · 8, 25√
(7, 5− (2, 5)2) · (87, 75− (8, 25)2)
.= 0, 983
Statistika (KMI/PSTAT) 13 / 18
Korelacnı analyza
Korelacnı koeficientK merenı kvality nalezeneho linearnıho regresnıho modelu pouzıvame korelacnı koeficient
r = sgn(b1) ·√I2.
r = sgn(3, 9) ·√
0, 966 = 1 · 0, 983 = 0, 983
Korelacnı koeficient
Korelacnı koeficient lze vypocıtat take ze vztahu r =x · y − x · y√(
x2 − (x)2)·(y2 − (y)2
)x y x2 y2 x · y1 3 1 9 32 5 4 25 103 11 9 11 334 14 16 196 56
soucet 10 33 30 351 102
x = 10/4 = 2, 5
y = 33/4 = 8, 25
x2 = 30/4 = 7, 5
y2 = 351/4 = 87, 75
x · y = 102/4 = 25, 5
r =25, 5− 2, 5 · 8, 25√
(7, 5− (2, 5)2) · (87, 75− (8, 25)2)
.= 0, 983
Statistika (KMI/PSTAT) 13 / 18
Korelacnı analyza
Rezidualnı rozptyl
K porovnavanı kvality ruznych modelu slouzı rezidualnı rozptyl S2e =
Qe
n− p, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
n . . . pocet merenı,p . . . pocet parametru modelu.
linearnı model: y = 3, 9x− 1, 5, I2 = 0, 966kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, I2 = 0, 969
linearnı model: y = 3, 9x− 1, 5, S2e = 2,7
4−2= 1, 35
kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, S2e = 2,45
4−3= 2, 45
Cım nizsı rezidualnı rozptyl, tım lepsı model: vybereme linearnı model.
Statistika (KMI/PSTAT) 14 / 18
Korelacnı analyza
Rezidualnı rozptyl
K porovnavanı kvality ruznych modelu slouzı rezidualnı rozptyl S2e =
Qe
n− p, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
n . . . pocet merenı,p . . . pocet parametru modelu.
linearnı model: y = 3, 9x− 1, 5, I2 = 0, 966kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, I2 = 0, 969
linearnı model: y = 3, 9x− 1, 5, S2e = 2,7
4−2= 1, 35
kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, S2e = 2,45
4−3= 2, 45
Cım nizsı rezidualnı rozptyl, tım lepsı model: vybereme linearnı model.
Statistika (KMI/PSTAT) 14 / 18
Korelacnı analyza
Rezidualnı rozptyl
K porovnavanı kvality ruznych modelu slouzı rezidualnı rozptyl S2e =
Qe
n− p, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
n . . . pocet merenı,p . . . pocet parametru modelu.
linearnı model: y = 3, 9x− 1, 5, I2 = 0, 966kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, I2 = 0, 969
linearnı model: y = 3, 9x− 1, 5, S2e = 2,7
4−2= 1, 35
kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, S2e = 2,45
4−3= 2, 45
Cım nizsı rezidualnı rozptyl, tım lepsı model: vybereme linearnı model.
Statistika (KMI/PSTAT) 14 / 18
Korelacnı analyza
Rezidualnı rozptyl
K porovnavanı kvality ruznych modelu slouzı rezidualnı rozptyl S2e =
Qe
n− p, kde
Qe =∑i(yi − yi)2 . . . rezidualnı soucet ctvercu,
n . . . pocet merenı,p . . . pocet parametru modelu.
linearnı model: y = 3, 9x− 1, 5, I2 = 0, 966kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, I2 = 0, 969
linearnı model: y = 3, 9x− 1, 5, S2e = 2,7
4−2= 1, 35
kvadraticky model: y = 0, 25x2 + 2, 65x− 0, 25, S2e = 2,45
4−3= 2, 45
Cım nizsı rezidualnı rozptyl, tım lepsı model: vybereme linearnı model.
Statistika (KMI/PSTAT) 14 / 18
Testovanı vyznamnosti regresnıch koeficientu
Testovanı vyznamnosti regresnıch koeficientu
Zjist’ujeme, zda je vysvetlovana promenna opravdu ovlivnovana vysvetlujıcı promennou.H0 : β1 = β2 = . . . = βp−1 = 0H1 : non H0
T =(Qy−Qe)/(p−1)
Qe/(n−p)W = 〈F1−α(p− 1, n− p);∞)
p . . . pocet parametru modelun . . . pocet namerenych dvojic dat
Statistika (KMI/PSTAT) 15 / 18
Testovanı vyznamnosti regresnıch koeficientu
Testovanı vyznamnosti regresnıch koeficientuNa hladine vyznamnosti α = 0, 05 otestujte vyznamnost regresnıch koeficientu pro data zuvodnıho prıkladu.
Qe = 2, 7,Qy = 78, 75,p = 2, p− 1 = 1,n = 4
H0 : β1 = 0H1 : β1 6= 0
T =(Qy−Qe)/(p−1)
Qe/(n−p)
W = 〈F1−α(p− 1, n− p);∞)
T =(78, 75− 2, 7)/1
2, 7/2
=76, 05
1, 35
.= 56, 3
W = 〈F1−α(p− 1, n− p);∞)
= 〈F0,95(1, 2);∞)
= 〈18, 513;∞)
T ∈W , zamıtame H0, hodnota y jeovlivnovana hodnotami promenne x.
Statistika (KMI/PSTAT) 16 / 18
Testovanı vyznamnosti regresnıch koeficientu
Testovanı vyznamnosti regresnıch koeficientuNa hladine vyznamnosti α = 0, 05 otestujte vyznamnost regresnıch koeficientu pro data zuvodnıho prıkladu.
Qe = 2, 7,Qy = 78, 75,p = 2, p− 1 = 1,n = 4
H0 : β1 = 0H1 : β1 6= 0
T =(Qy−Qe)/(p−1)
Qe/(n−p)
W = 〈F1−α(p− 1, n− p);∞)
T =(78, 75− 2, 7)/1
2, 7/2
=76, 05
1, 35
.= 56, 3
W = 〈F1−α(p− 1, n− p);∞)
= 〈F0,95(1, 2);∞)
= 〈18, 513;∞)
T ∈W , zamıtame H0, hodnota y jeovlivnovana hodnotami promenne x.
Statistika (KMI/PSTAT) 16 / 18
Testovanı vyznamnosti regresnıch koeficientu
Testovanı vyznamnosti regresnıch koeficientuNa hladine vyznamnosti α = 0, 05 otestujte vyznamnost regresnıch koeficientu pro data zuvodnıho prıkladu.
Qe = 2, 7,Qy = 78, 75,p = 2, p− 1 = 1,n = 4
H0 : β1 = 0H1 : β1 6= 0
T =(Qy−Qe)/(p−1)
Qe/(n−p)
W = 〈F1−α(p− 1, n− p);∞)
T =(78, 75− 2, 7)/1
2, 7/2
=76, 05
1, 35
.= 56, 3
W = 〈F1−α(p− 1, n− p);∞)
= 〈F0,95(1, 2);∞)
= 〈18, 513;∞)
T ∈W , zamıtame H0, hodnota y jeovlivnovana hodnotami promenne x.
Statistika (KMI/PSTAT) 16 / 18
Korelacnı a regresnı analyza
Prıklad IVe firme sledovali, jak dlouho je jiz dany pracovnık zamestnan a kolik procent zmetku za smenuvyrobı. Zjistili nasledujıcı data:
pocet mesıcu 45 47 51 58 64procenta zmetku 20 18 14 16 13
Vypoctete predpis regresnı prımky.
Interpretujte hodnoty koeficientu b0, b1.
Kolik procent zmetku muzeme ocekavat u zamestnance zamestnaneho 55 mesıcu.
Vypoctete a interpretujte hodnoty I2, r.
Vypoctete kvadraticky regresnı model a rozhodnete, zda je vhodnejsı linearnı cikvadraticky model k popisu techto dat.
Otestujte vyznamnost regresnıho koeficientu β1 v linearnı regresnı funkci.
Statistika (KMI/PSTAT) 17 / 18
Korelacnı a regresnı analyza
Prıklad IIObchodnı oddelenı se snazı odhadnout rovnici poptavky po svem produktu. Zjist’ovali mnozstvıQ poptavaneho zbozı (v tisıcıch ks) pri cene P . Zjistili nasledujıcı data:P 40 45 50 55 60Q 4,2 3,5 2,7 1,5 0,7
Vypoctete predpis rovnice poptavky ve tvaru linearnı funkce.
Interpretujte hodnoty koeficientu b0, b1.
Jake mnozstvı poptavaneho zbozı muzeme ocekavat pri cene 53 Kc?
Vypoctete a interpretujte hodnoty I2, r.
Vypoctete kvadraticky regresnı model a rozhodnete, zda je vhodnejsı linearnı cikvadraticky model k popisu techto dat.
Otestujte vyznamnost regresnıho koeficientu β1 v linearnı regresnı funkci.
Statistika (KMI/PSTAT) 18 / 18