Štatistické Metódy

TECHNICK UNIVERZITA V KOICIACH
FAKULTA BANCTVA, EKOLGIE, RIADENIA A GEOTECHNOLGI

KATEDRA INFORMATIZCIE A RIADENIA PROCESOV
TATISTICK METDY
ubica Florekov
Marta Benkov
2006 II.vydanie
1999 - I.vydanie
Recenzenti: Doc. RNDr. Anton Lavrin, CSc., Ing. Dagmar Bednrov
Copyright Doc. Ing. ubica Florekov, CSc., Ing. Marta Benkov, CSc.
ISBN 80-8073-527-1
OBSAH
VOD...........................................................................................................................................................5
1. ZKLADN POJMY PRE TATISTICK PRCU S DAJMI.....................................................7
2. ZKLADN POJMY TERIE PRAVDEPODOBNOSTI...............................................................12
3. ROZDELENIA NHODNCH VELIN.........................................................................................16
4. DESKRIPTVNA POPISN TATISTIKA PRE VBER HODNT
JEDNEJ NHODNEJ PREMENNEJ.............................................................................................24
SPRACOVANIE MALHO VBERU ....................................................................................................................24
SPRACOVANIE VEKHO VBERU....................................................................................................................26
5. TERIA ODHADU...............................................................................................................................31
BODOV ODHAD PARAMETROV.......................................................................................................................31
INTERVALOV ODHAD PARAMETROV................................................................................................................31
6. TESTOVANIE TATISTICKCH HYPOTZ................................................................................33
TESTY EXTRMNYCH HODNT........................................................................................................................34
TESTY ZHODY EMPIRICKHO A TEORETICKHO ROZDELENIA.................................................................................35
TESTY NA POROVNANIE DVOCH VBEROV .......................................................................................................38
TESTY NA POROVNANIE TROCH A VIACERCH VBEROV .....................................................................................40
6.2 2 TEST NEZVISLOSTI V KONTINGENNEJ TABUKE.....................................................................................46
7. ROBUSTN A NEPARAMETRICK TATISTIKA......................................................................47
8. ANALZA ZVISLOST....................................................................................................................50
8.1 METDY ODHADU PARAMETROV REGRESNHO MODELU.................................................................................50
8.2 METDA NAJMENCH TVORCOV..............................................................................................................50
8.3 REGRESN MODELY PRE DVE PREMENN.....................................................................................................52
REGRESN MODELY PRE VIAC PREMENNCH.....................................................................................................62
8.4 KVALITA REGRESNCH MODELOV..............................................................................................................65
9. ASOV RADY ...................................................................................................................................66
9.1 MODELOVANIE ASOVCH RADOV.............................................................................................................67
9.2 ANALZA TRENDOVEJ ZLOKY..................................................................................................................69
9.3 ANALZA SEZNNEJ ZLOKY....................................................................................................................76
9.4 ANALZA CYKLICKEJ ZLOKY...................................................................................................................80
9.5 ANALZA NHODNEJ ZLOKY...................................................................................................................81
9.6 KORELCIA ASOVCH RADOV.................................................................................................................83
10. PSOBENIE CHB NA VSLEDKY MERAN A NA MODELY..............................................85
TATISTICK TABUKY ....................................................................................................................92
LITERATRA........................................................................................................................................102
Motto:
Ak Vm to dobre mysl,
venujte sa tatistike.
Ak nie, venujte sa
politike alebo divadlu.
G. B. Shaw
vod
Oblas pouvania tatistickch metd je vemi rozsiahla. Tka sa socilnych, technickch,
environmentlnych, ekonomickch, problmov. Zkladn pracovn apart je spravidla ist,
oblas interpretcie, vysvetovania, zverov je rzna, pretoe svis s konkrtnou prinou,
objektom, systmom.
tatistick metdy umouj hada a vysvetova rzne vzahy medzi meratenmi,
pozorovatenmi, kvantifikovatenmi premennmi, m dvaj k dispozcii rozsiahle
monosti na zoveobecovanie konkrtnych zverov.
Pre aktvne uplatnenie tchto metd nesta iba zvldnutie terie, ktor je nplou
tchto uebnch textov. Je potrebn overi si teriu v praxi, na rieen viacerch typovch
loh, resp. prkladov.
Verme, e teoretick pozadie, uveden v tchto uebnch textoch, umon aktvne
vyuvanie tatistickch zverov v praxi.
autorky
Koice, mj 2006
TATISTICK METDY
1. Zkladn pojmy pre tatistick prcu s dajmi
Pri spracovan selnch dajov pre oblas tatistiky vychdza sa spravidla z diskrtnych
nespojitch hodnt, ktor reprezentuj urit konen poet hodnt x
i
o rozsahu n, teda
vber, z teoreticky nekonenho potu N realizci prslunej nhodnej premennej X,
teda zkladnho sboru (populcie).
Pri spracovvan mme za sebou u dva kroky, teda bola uren VELIINA a bol
realizovan konkrtny SPSOB MERANIA, jej zskania (schma .1).
Schma .1 Postupnos zskavania, spracovania a analzy dt
FLOREKOV, BENKOV 7
KVALITATVNE
INTUCIA
KVALITATVNE
SPSOB
MERANIA
priame
nepriame
monitoring
presnos/obmedzenia
prstroj/snma
asov interval
SPRACOVANIE
VPOET
metda
prostriedok
presnos
rchlos
obmedzenia
SPRACOVANIE
VPOET
metda
prostriedok
presnos
rchlos
obmedzenia
VELIINA
monosti zskania
prostredie
obmedzenia
DTA
OBJEKT
VSLEDOK
INTERPRE-
TCIA
vypovedacia
hodnota
informan
obsanos
VSLEDOK
grafick
numerick
logick
verblna
vrobn
technologick
technick
vskumn
projekn
OBJEKT
SPTN VZBA
RIEEN
PROBLM
(zadanie, cie)
OBJEKT
FORMULCIA
PROBLMU
(prprava)
LOHA
VPOTOV
ANALZA
(vyhodnocovanie)
RIEENIE
loha analyzova, zhodnoti a vytvori vhodn reprezentciu dajov (dt), patr do
oblasti tatistickho modelovania, ako sasti irieho matematickho modelovania (schma
. 2)
Schma . 2 Schma vzahu medzi matematickou teriou a relnym svetom
Prca s konkrtnymi dtami m svoju logick nadvznos, v etapch:
- formulcia problmu, stanovenie ciea,
- realizcia zskanie konkrtnych dajov,
- vpoty zskanie reprezentatvneho modelu zstupcu relnych dt,
- analza vsledkov,
- interpretcia vsledkov,
- implementcia vsledkov, a prpadne formulcia novho problmu, at.
Vzjomn nadvznos a sptnovzobn ovplyvovanie etp znzoruje schma .3.
Vsledkom prce s dtami by malo by priradenie modelu k skmanmu objektu
(schma .4), priom vyadujeme, aby tento model bol
- jednoduch simplicity,
- platn validity,
- robustn robustness,
- jednoznan prescriptiveness,
- analyzovaten analyzability.
8
MATEMATICK
TERIA
(konzistentn systm
logickho myslenia)
RELNY SVET
(vemi zloit
a neurit systm)
MODELOVANIE
(zjednoduenia
a abstrakcia)
INTERPRETCIA
(konfrontcia
s realitou)
d
t
a
s
y
s
t
m

a
x
i
m
el modelu
modely odpovede
RIEEN
PROBLM
(zadanie, cie)
OBJEKT
FORMULCIA
PROBLMU
(prprava)
LOHA
VPOTOV
ANALZA
(vyhodnocovanie)
RIEENIE
TATISTICK METDY
Schma .3 Tvorba experimentlnych modelov
Schma .4 Priradenie modelu skmanmu objektu
Ahituv a Neumann (1980) stanovili, e model mus by:
- efektvny, inn effectivity: Doing the ring thing;
- eficientn, vkonn efficiency: Doing the thing ring;
Boehm (1984) pridal k tmto poiadavkm vlastnosti:
- verifikovatenos, overitenos verification: Am I building the product right?
- validitu, platnos validation: Am I building the right product?
FLOREKOV, BENKOV 9
RIEEN
PROBLM
(zadanie, cie)
OBJEKT
FORMULCIA
PROBLMU
(prprava)
LOHA
EXPERIMENT
(vykonvanie)
DTA
VPOTOV
ANALZA
(vyhodnocovanie)
RIEENIE
INTERPRETCIA
VSLEDKOV
MODEL
IMPLEMENTCIA
MODELU DO
RELNEHO
PROSTREDIA
SKMAN
OBJEKT
(black box)
MODEL
Y
i
=F(X
i
)
X
i
Y
i
Mohli by sme uzavrie, v zmysle De Marcovho (1982) cittu: You cant control, what you
cant measure, e vzah medzi objektom (resp. na om zskanch dtach) a jeho modelom
(z dt vytvorenej reprezentcie), mus by tak, aby bolo mon objekt, systm, proces,
pomocou vhodnho modelu riadi, na zklade relne overitench dajov.
tatistick metdy pracuj s dtami v postupnosti:
- od konkrtneho k veobecnmu,
- od jednotlivho k teoretickmu,
- teda v cykle:
a pouvaj pre rieenie problmov
- indukciu vyvodzovanie zverov na zklade spracovania a
vyhodnotenia relnych dt fenomenologick modely,
zoveobecovanie pecilnych prpadov,
- dedukciu odvodzovanie, usudzovanie na zklade znmych
veobecnch vzahov o jednotlivch , iastkovch situcich,
asymptotick modely,
- rozhodovanie decziu pre rieenie konkrtnych situci, pre riadenie
skmanho objektu pomocou informci, zskanch z modelu.
Zkladom aplikcie kvantitatvnych tatistickch postupov je matematick tatistika a
teria pravdepodobnosti, ktorch vzba je vemi siln.
Matematick tatistika - M je veda o zskavan, spracovan a vyhodnocovan
hromadnch (nhodnch) dt, zskanch na primeranom pote pozorovan, ktorej zvery s
podkladom pre teriu pravdepodobnosti.
Teria pravdepodobnosti TP je veda, ktor skma objektvne pravdepodobnostn
zkonitosti hromadnch nhodnch premennch /javov, na zklade zoveobecnenie
vsledkov, ktor zskava z matematickej tatistiky.
Aplikovan tatistika A tatistick metdy M pre ekonomiku, obchod,
bankovnctvo, poisovnctvo, priemyseln, vrobn a technologick procesy, socilne a
spoloensk
oblasti, demografiu, at. vyuvaj prostriedky M a TP. Jej zkladom je vber dajov,
ktorho spracovanm sa zskavaj zvery aplikovaten v praxi, potvrden teriou (schma
.5).
Schma .5 Vzah tatistickch discipln
10
- dsledky
- daje
usudzuje z dsledku na priny
TP M
A
usudzuje z priny na dsledok
- priny
- modely
- zkonitosti
relne dta teria prax
TATISTICK METDY
daje, s ktormi pracuj tatistick metdy maj tzv. aprirne prvotn vlastnosti A,
znme pred ich zskanm a aposterirne druhotn vlastnosti AO, znme zo spracovania,
po ich zskan. Tzv. pln informcia je zloen z oboch skupn tchto vlastnost.
Aprirne vlastnosti popisuj kvalitatvne charakteristiky objektu:
- : 1-dynaminos, 0-statinos,
- : 1-stochastinos, 0-determinovanos,
- : 1-nelinearita, 0-linearita,
- : 1-diskrtnos, 0-kontinulnos.
Poznanie aprirnych vlastnost umouje vber podmienok, oblast, spsobu zskavania
dajov. m vyia je rove poznania A, tm ahie sa zskavaj reprezentatvne AO. A
mu by primrne/sekundrne, typu numerickho, verblneho, grafickho. Vdy so sebou
nes urit informan obsah, maj urit informan vypovedaciu hodnotu, mali by vdy
zniova mieru neuritosti naich poznatkov (entrpiu) o skmanom problme.
Aposterirne vlastnosti maj kvantitatvny charakter. S vsledkom merania,
experimentu, ankety, prieskumu, vstupov, vstupov z objektu, priom ich meme zskava
pasvne, aktvne, heuristicky (Heuros - vynalieza, objavova, vlastn udskmu sudku),
priamymi, resp. nepriamymi metdami. S zkladom exaktnch vied, take ich musme
vedie nielen zskava, ale aj triedi, dva do vzjomnej svislosti, sledova priny ich
vzniku a nsledky, ktor tieto priny spsobuj. AO sa tkaj velin:
- extenzvnych (zvisl na rozmere) mnostvo, kvantita, ke vekos
premennej je dan bezprostredne jej rozmerom (dka, hmotnos),
- intenzvne stavov, kvalitatvne (inkov, vkonnostn), ak
kvantifikovaten vzah nie je dan priamo povahou dt, teplota, tlak,
naptie, sila, produktivita,
- protetvne asovo zvisl (bez monosti nvratu v ase)
(Proteus boh mora, schopn stle meni svoju polohu).
Experiment je cieavedom praktick innos, smerujca k rozvoju poznania (fyzick
mylienkov, vedeck vrobn vubov,...), vyznaujca sa rznou mierou abstrakcie.
Z hadiska ininierskej praxe m najv vznam experiment, zaloen na meran
snman, monitorovan (prevode a prenose) dt/informci na objekte.
Experimentlne dta/daje s symbolicky vyjadren vsledky experimentu.
Pln experimentu zahruje postup realizcie pokusov, charakter premennch, ich
rozmery, oblas platnosti.
Experimentlna technika je sbor meracej, vpotovej a riadiacej techniky, potrebnej
na zskanie a spracovanie experimentlnych dt.
FLOREKOV, BENKOV 11
2. Zkladn pojmy terie pravdepodobnosti
Vetky vahy, tkajce sa aplikcie tatistickch postupov pre spracovanie relnych
dt, tkaj sa niekokch zkladnch pojmov, s ktormi potom pracuje tzv. deskriptvna, t.j.
popisn tatistika. Vber V je sbor nameranch hodnt, ktor sa tka tej istej skupiny
vec, toho istho druhu vlastnost, tatistickho znaku, toho istho rozmeru, tej istej
tatistickej jednotky, za predpokladu, e vetky dta boli zskan za porovnatench
podmienok. Vber je teda postupnos nezvislch hodnt rovnakho rozdelenia
pravdepodobnosti vskytu, je podmnoinou zkladnho sboru ZS, t.j. vetkch monch
N realizci tejto nhodnej premennej, toho istho tatistickho znaku (populcie).
Cieom vberovho tatistickho zisovania je tatistick inferencia o danom
zkladnom sbore, o jeho spoahlivosti, reprezentatvnosti.
Kad jednotliv pozorovanie z V m urit rozdelenie pravdepodobnost p(x). Poda
elu, pre ktor maj zvery z hodnotenia vberov sli, hovorme o tzv. malom vbere,
spravidla o rozsahu do 30 hodnt a o tzv. vekom vbere, ktorho rozsah je znane vy ako
30 hodnt. Vo veobecnosti plat: Kvalita je dleitejia ako kvantita. Presnos vsledkov
neovplyvn poet hodnt, ale presnos ich zskavania, stabilita prostredia, z ktorho sa
daje zskavaj.
Kad vsledok, realizcia experimentu, kad fakt, ktor me alebo nemus nasta,
nazvame jav. Veliina, ktor je plne uren nhodnm pokusom sa nazva nhodn
premenn NP. Nhodn pokus je plne uren podmienkami, ktor je potrebn poas
vetkch realizci dodra a podrobnosou, s ktorou rozliujeme jednotliv mon vsledky.
Pravdepodobnos javu je kvantitatvny ukazovate oakvanho vsledku realizcie
nhodnho pokusu. Pravdepodobnos javu je seln miera stupa objektvnej monosti jeho
vzniku, realizcie, vskyt. Pravdepodobnos javu R (random - nhodnho), P(R) je
slo, je konen neprzdna mnoina rovnako monch vsledkov, r je nhodn jav,
udalos, podmnoina . Jav ist je tak, ktor nastane pri kadej realizcii pri dodran
prslunch podmienok, P(I)=1. Jav nemon je tak, kde P(N)=0. Jav nhodn je tak,
ktor me ale nemus nasta pri dodran prslunch podmienok, P(R)<0,1>. Nhodn
jav teda nesmie ma charakter jedinenosti, ale mus ma charakter hromadnosti. Ak z n
realizci/dajov, sledovan jav R nastal m krt, potom tzv. tatistick pravdepodobnos
vskytu tohto javu p(R)=m/n, o vyplva aj z tzv. Bernoulliho schmy
( )
m n m
R
p 1 p
m
n
p

,
_
.tatistick pravdepodobnos limitne konverguje k teoretickej

pravdepodobnosti R
n
R
p P

lim
. (tatistick pravdepodobnos javu je teda relatvna poetnos
jeho vskytu, pretoe m je poet prvkov mnoiny R, n je poet prvkov mnoiny .) Vo
veobecnosti plat, e pravdepodobnejie javy sa vyskytuj astejie ako menej
pravdepodobn. Zrove plat,e set pravdepodobnost vskytu nejakho javu sa vdy
rovn 1.
tatistick spracovanie sa tka javov R:
- zluitench, (vzjomne sa nevyluujcich),
2 1
R R

... (aj),
- nezluitench, (vzjomne sa vyluujcich),
2 1
R R

... (bu/alebo),
- rovnako monch, v prpade existencie iba dvoch vsledkov
(no/nie; funguje/nefunguje; zapnut/vypnut),
12
TATISTICK METDY
- opanch, prpad nezluitench dvoch javov R
1
a R
2
P(R
1
)=1- P(R
2
)
a naopak,
- nezvislch, P(R
1
|R
2
) =P(R
1
), P(R
2
) = 0 jav R
1
je nezvisl na jave R
2
, alebo
P(R
2
|R
1
) =P(R
2
), P(R
1
) = 0 jav R
2
je nezvisl na jave R
1
,
- zvislch, P(R
1
|R
2
) P(R
1
), P(R
2
) jav R
1
je zvisl na jave R
2
,ak P(R
1
|R
2
)
vyjadruje podmienen pravdepodobnos, t.j. pravdepodobnos vskytu javu
R
1
, ak jav R
2
u nastal.
Jednotliv realizcie nhodnch premennch sa tkaj dvoch typov:
- diskrtna, nespojit, definovan oborom vetkch hodnt, ktor mu
nadobda a pravdepodobnosou vskytu kadej hodnoty, skokom,
- kontinulna, spojit, definovan hustotou rozdelenia pravdepodobnost
v uritom intervale hodnt, plynulo.
Zobrazenie NP pre oba typy napomha jej lepiemu chpaniu a spoznaniu. Vyuvaj
sa:
- pravdepodobnostn tabuka hodnt pre diskrtnu NP
x x
1
x
2
. . . x
n
p p
1
p
2
. . . p
n

i
1
i
p
- polygn rozdelenia pravdepodobnost
- histogram rozdelenia pravdepodobnost
- polygn alebo histogram kumulovanch pravdepodobnost,
- kolov diagramy,
- bodov diagramy,
FLOREKOV, BENKOV 13
p
n
p
3
p
2
p
x
p
1
x
2
x
3
x
n
x
1
x
2
x
3
x
n3
p
x
p
1
p
2
p
n
p
3
- piktogramy, ap.
- frekvenn funkcia pre kontinulnu NP
dx
dp
f(x)
- distribun funkcia
b
a
f(x)dx F(x)
Zkladnm selnm ukazovateom NP s tatistiky: pre vber s to charakteristiky,
pre zkladn sbor s to parametre. Ich vzjomn vzah je nasledovn:
TATISTICK SBOR
ZS NV
TATISTIKA
PARAMETER CHARAKTERISTIK
A
N rozsah n
M(X), E(X), matematick ndej
aritmetick
priemer
x
, AP
D(X), V(X),
2
disperzia(variancia) rozptyl s
2
( ) X D ,
( ) X V tandardn (smerodajn) odchlka s
V(X) varian koeficient V
x
A(X) asymetria (nesmernos, ikmos) A
x
E(X) excess (picatos, ostros) E
x
Mo(X) (modus)
x
Me(X) (medin)
x
~

14
F(x)
x
F(x)
dx
1
dx
f(x)
x
f(x)
TATISTICK METDY
Poznmka: Veobecnejie s parametre a charakteristiky, urujce podstatn vlastnosti NP,
definovan aj pomocou tzv. momentov. Stredn hodnoty (aritmetick a in priemery), modus
a medin a ich rzne typy, bud popsan pri tatistickom spracovan vberov.
Poiaton momenty m
K
:

n
1 i
i
K
i K
p x m
,

dx x f x m
K
K
) ( , vyjadruj veobecn vlastnosti
NP, stredov (centrlne) momenty M
K
:
( )

k
1 j
j
K
j K
p x x M
, ( )

dx x f X M x M
K
K
) ( ) ( ,
vyjadruj vlastnosti NP vo vzahu k aisku ZS/V, teda vo vzahu k M(X) alebo x (K je rd
prslunho momentu).
Potom napr. prv poiaton moment je vlastne M(X) alebo x , druh centrlny
moment je D(X) alebo s
2
, pomocou tretieho centrlneho momentu sa uruje asymetria
A(X)/A
x
a pomocou tvrtho centrlneho momentu sa vypotava exces E(X)/E
x
.
FLOREKOV, BENKOV 15
0,5
1
2
3. Typick rozdelenia nhodnch velin
3. Rozdelenia nhodnch velin
Vzah: veobecnho a zvltneho,
hromadnho a jednotlivho,
globlneho a loklneho,
je vzahom empirickej a teoretickej syntzy o najrznejch druhoch nhodnch premennch
diskrtneho a kontinulneho typu.
Ak napr. vynesieme do histogramu vetky realizcie diskrtnej nhodnej premennej
s prslunmi hodnotami ich pravdepodobnost, meme vahy o veobecne platnom
priebehu hustoty pravdepodobnost diskrtnej NP rozri o monos, vytvra z diskrtnej
kontinulnu NP. Kontinualizcia znamen teda zhusovanie, zuovanie delenia na selnej
osi x.
Naopak, z frekvencie vskytu hodnt, z hustoty rozdelenia pravdepodobnosti
kontinulnej NP, meme vykonva jej diskretizciu, teda vytvra rozirovanm delenia na
selnej osi skupiny, triedy, intervaly a urova, ak je pravdepodobnos vskytu NP
v uritom intervale hodnt (obr.3.1), P(x<x
0
, x
0
+dx>) f(x
0
) dx.
Obr.3.1 Histogram a funkcia rozdelenia NP vzjomn vzah
Pojem teoretick rozdelenie (ZS NP(X)) sa chpe ako matematick model
empirickho rozdelenia (V{x
j
}, n hodnt), pomocou ktorho meme analyzova,
vysvetova, implementova vsledky zskan z rznych vberov tej istej NP, za
porovnatench podmienok, pri ktorch odchlky od skutonej hodnoty s ovplyvnen iba
nhodou.
Najtypickejm teoretickm rozdelenm NP(X) je Gaussovo (Gaussovo-Laplaceovo)
normlne rozdelenie spojitej NP, jednoznane definovan frekvennou funkciou (hustotou
rozdelenia pravdepodobnost)
( )
( )
,
_

2
2
2
x
exp
2
1
x f
, resp. distribunou funkciou
( ) ( )

dx x f x F . Jej grafickm zobrazenm je typick zvonovit Gaussovsk krivka, obr. 3.2,
resp. rastca krivka (neklesajca), obr.3.3.
Normlne rozdelenie dostalo tento nzov preto, e a 70% meratench premennch
v prrode (aj v spolonosti) sa riadi touto frekvennou funkciou.
16
x
K
3
p
x
(f(x))
p
1
p
K
x
1
x x
0
x
0
+dx
f(x
0
)
f(x) y
0,5
1
2
TATISTICK METDY
Obr.3.2 Frekvenn krivky normlneho rozdelenia s rovnakm a rznym
2
.
(Mal rozptyl strm a vysok krivka; vek rozptyl ploch a iroko rozloen krivka.)
Obr.3.3 Distribun krivka normlneho rozdelenia
Dokonca Youden napsal du na normlne rozdelenie, ktor by sme mohli pribline
preloi nasledovne:
NOR
MLNY ZKON
CHYBY ZAUJMA
V SKSENOSTI UD
STVA POSTAVENIE JED
NHO Z NAJIRCH ZO
VEOBECNEN PRIRODZENEJ
FILOZOFIE. SLI AKO RIADIACI
NSTROJ PRI VSKUMOCH V OBLASTI
PRRODNCH A SPOLOENSKCH VIED,
V MEDICNE, PONOHOSPODRSTVE A STAVEB-
NCTVE JE NEPOSTRDATENM NSTROJOM AJ PRE
FLOREKOV, BENKOV 17
f(x) y
8 9 10 11 12
13
1
14
0
15 16
0,5
1
2
x
f(x)
84%
-3
-2 -1
100%
+3
+2 +1
50%
0%
0,1%
2%
16%
50%
98%
99,9%
F(x)
x
f(u) y
ANALZU A INTERPRETCIU ZKLADNCH INFORMC
ZSKANCH PRI POZOROVANIACH A RZNYCH EXPERIMENTOCH.
Zkladn vlastnosti frekvennej funkcie (krivky) s:
- definin obor x(,),
- hodnota vdy kladn, f (x)> 0,
- prnos f (x) f (-x)
- symetrinos voi x M(x),
- dve asymptoty pre x t, lim f(t) 0, pretoe
( )
0
2
x
2
2
,
_

exp
,
krivka nepretna os x,
- dva inflexn body, f (x) 0 pre x t ,
- maximlna vka pre x ,
,
_
2
1
f ) (
,
- vekos plochy, ohranien f(x) a x je jednotkov pravdepodobnos vskytu vetkch
monch hodnt x, teda P 1 100%.
Normlne rozdelenie N teda jednoznane charakterizuj parametre M(X)
polohy a D(X)
2
tvaru, pri A(X) 0, E(X) 0, teda je dvojparametrick, o
zapisujeme
N(,
2
), resp. N(M(X), D(X)).
Zkladn vlastnosti distribunej funkcie s:
- definin obor x(,),
- neklesajca pre vetky x,
- kladn F(x) > 0,
- dve asymptoty pre x t, lim f (-) 0, lim f (+) 1
- inflexn bod, F(x) 0 pre x , F() 0,5, (P 1 50%).
Pretoe parametre a
2
mu by pre vbery rznych NP rzne, zavdza sa normo-
vanie normlneho rozdelenia na bezrozmernos tak, e hodnota zlomku v exponente
frekvennej funkcie sa zvol za normu
x
u

. Touto pravou sa ni nemen na typickch
vlastnostiach frekvennej a distribunej krivky N(,
2
), ale umon sa tm tandardizcia
rznorozmernch premennch.
Frekvenn funkcia normovanho normlneho rozdelenia NN zostva zvisl na dvoch
parametroch, stred sa posunie do hodnoty u 0 (teda 0) a maximlna vka f(x) je
uren pre jednotkov rozptyl/tandardn odchlku (teda 1), take potom NN(0,1) a plat
,
_

2
u
exp
2
1
u) f
2
(
, ( ) ( )

du u f u F . Vetky vzahy medzi N a NN s ilustratvne
znzornen na obr.3.4 a 3.5.
18
y
x
x
f(x) y
( )
( )
,
_

2
2
2
x
e x p
2
1
y x f
f(u) y
TATISTICK METDY
Normlna krivka
,
_

2
u
exp
2
1
y u) f
2
(
Normovan normlna krivka
Vzah krivky normlnej a normovanej normlnej
FLOREKOV, BENKOV 19
-4 -3 -2
-

y
+x
-2 -3 -4
-x
+ +2
+3 +4
+u
-1 0 +1 +2 +3 +4
-u
Inflexn bod
Inflexn bod
-u
-4 -3 -2
+u
-1 0 +1 +2 +3 +4
0,4
0,2
y
0
68,29%
95,45%
99,73%
99,9936%
y
u
u
f(u) y
0
Plon (pravdepodobnostn) delenie normlneho rozdelenia
Odchlky krivky normlneho rozdelenia od symetrie
Obr. 3.4 Normlne a normovan normlne rozdelenie a vlastnosti frekvennej krivky
Na obr. 3.5. je zakreslen aj spsob delenia jednotkovej pravdepodobnostnej plochy
medzi f(x) a x, resp. f(u) a u, pomocou celistvch nsobkov tandardnej odchlky , resp.
normy u.
Obr. 3.5 Frekvenn a distribun krivka normovanho normlneho rozdelenia a
ich vzjomn vzah
V praxi sa obyajne vol opan postup. Stanov sa celistv as plochy (pravde-
podobnosti) a pre u sa prepotaj zodpovedajce nsobky tandardnej odchlky, resp.
normy, take pri vobe poadovanej pravdepodobnosti plat:
vodn p 0,90 90%, t 1,64, u t 1,64,
ininierska (technick) p 0,95 95%, t 1,96, u t 1,96,
20
normlne
avostrann, kladn ikmos
ostrovrcholov, kladn picatos
plochovrcholov, zporn picatos
u
0,40
0,32
0,24
0,16
0,08
-3 -2 -1 0 +1 +2 +3
100
80
60
40
20
0
%
TATISTICK METDY
vedeck (vskumn) p 0,99 99%, t 2,58, u t 2,58,
bezpenostn (kvantitatvna) p 0,999 99,9%, t 3,29, u t 3,29,
superbezpenostn (bezchybn) p 0,9999 99,99%, t 3,89, u t 3,89.
Z alch teoretickch rozdelen je vhodn spomen tzv. logaritmick normlne,
resp. lognormlne rozdelenie spojitej NP, ktor je pecifick tm, e rozdelenie prslunej
NP v pvodnom rozmere m frekvenn funkciu asymetrick vavo, ale logaritmus NP je
rozdelen normlne (obr.3.6). Teda, normlne rozdelenie nem samostatn NP, ale jej
logaritmus.
Obr.3.6 Frekvenn funkcie normlneho a lognormlneho rozdelenia
Potom
( )
( )
,
_

2
2
2
x x
2 x..
1
ln x f
ln ln
exp
, ( ) ( )

x d x f x F ln ln ln . Ak ozname
M(ln x) , D(ln x)
2
, potom 2
e e M(X)
,
2
2 2
e 1) (e D(X)

,
4 e 2 e e A(X)
2 2 2
2 3
+ + , 3 e 3 e 2 e E(X)
2 2 2
2 3 4
+ + ,
1) (e V(X)
2

, resp. pre
dekadick logaritmus bude M(log X) = , D(log X) =
2
, potom
2
2
10 10 M(X)

,
2
2 2
10 1) (10 D(X)

,
4 10 2 10 1 A(X)
2 2 2
2 3
+ +
,
,
,
3 e 10 3 e 10 2 10 E(X)
2 2 2
2 3 4
+ + ,
1) (10 V(X)
2

.
Jednm z najtypickejch teoretickch rozdelen s rozdelenia tzv. alternatvnych NP,
teda diskrtnych NP, pri ktorch pravdepodobnos napr. javu no P(A) p a javu nie
P(A) q 1 p, pri poiadavke vzjomnej nezvislosti vsledkov realizcie NP.
Binomick (binom-dvojlen), Bernoulliho rozdelenie m potom
( )
x n x x n x
q p
x n x!
n!
q p
x
n
x f

,
_
)! (
,
( )

x
0
f(x) x F
, M(X) = n.p, D(X) = n.p.q,
A(X) = O , pre p = q,
( ) ( ) 2
1
) ( ) (

X D p q X E
. Pre mal p (vek q) je rozdelenie
asymetrick vavo, pre vek p (mal q) je rozdelenie asymetrick vpravo, pre rovnak
p = q = 0,5 sa stva rozdelenie symetrickm.
Limitnm prpadom binomickho rozdelenia je tzv. zkon malch siel, zkon
rozdelenia pravdepodobnost mlo pravdepodobnch javov, Poissonovo rozdelenie (pre
FLOREKOV, BENKOV 21
f(x)
x
f(log x)
(f(ln x))
log x
(ln x)
stavy funguje/ nefunguje), priom
x!
e
x f
x
) ( ,
( )

x
0 x
x f x F ) (
, = n.p = M(X) = D(X),
> 0, A(X) = ()
-1/2
,E(X) = ()
-1
. Toto rozdelenie sa s vhodou uplatuje ako tzv.
spoahlivostn rozdelenie porch, chybnch vstupov, P(A) > 0,9, P(N) < 0,1.
Poznmka:
Rzne in typy rozdelen uvdza rozsiahla odborn literatra. Uvedieme aspo nzvy
najpouvanejch rozdelen pre spojit NP:
rovnomern, uniformn,
trojuholnkov, triangulrne, Simpsonovo,
Cauchyho,
exponencilne (jednostrann, obojstrann, siln),
beta,
Erlangovo,
gama,
Weibullovo,
Rayeleighovo
a pre nespojit NP:
1) rovnomern, uniformn,
2) geometrick,
3) hypergeometrick.
alie rozdelenia, ktor je potrebn uvies, s tzv. umel, resp. testovacie, skobn
rozdelenia. Z nich s najdleitejie tri:
4) Studentovo t-rozdelenie (poda Gosseta) pre umel NP 1 n
s
x
t
, resp. n
x
, ktor sa pouva pre hodnotenie aritmetickch priemerov a
matematickch ndej. Frekvenn krivka f
(t) je zvisl na stupoch vonosti a

vyjadruje sa pomocou funkcie. S rastcim n sa krivka pribliuje k N(0,1), pri n>30
aproximatvne, pri n 120 sa s nm stotouje (obr.3.7).
Obr.3.7 Frekvenn krivky Studentovho t-rozdelenia
22
n120
f
(t)
t
n30
n30
TATISTICK METDY
5) Pearsonovo
2
rozdelenie (tie Helmertovo) pre umel NP
) ( 1 n
2
2
2
m
asymetrick frekvenn funkciu f
(
2
), silne zvisl na stupoch vonosti (obr.3.8),
ktor je tie vyjadren zloitou funkciou.
Obr.3.8 Frekvenn krivky Pearsonovho rozdelenia
6) Fisherovo F-rozdelenie pre NP
2
2
2
1
s
s
F
, F 1, s frekvennou funkciou
F
1,2
(F) asymetrickho tvaru, podobnho ako u
2
krivky, zvislou na dvojici
stupov vonosti, ktor je tie vyjadren zloenou funkciou.
2
a F rozdelenie
pouva sa na hodnotenie rozptylov a disperzi.
FLOREKOV, BENKOV 23
1
2
f
(
2
) 1
5
3
01
n = 3
= 8
s
2
= 1
s = t 1
V
x
= 12,5%
n = 3
= 8
s
2
= 39
s = t 6,24
V
x
= 78%
4. Deskriptvna tatistika pre vber hodnt jednej nhodnej premennej
4. Deskriptvna popisn tatistika pre vber hodnt
jednej nhodnej premennej
Vber hodnt V pre jednu nhodn premenn X m konen rozsah n a zname ho V{x
i
}
n
,
(treba spracova n hodnt x
i
, i = 1,2,,n; vber hodnt x
i
o rozsahu n).
Spracovvan hodnoty mu by z rznych oblast, kvalitatvne v nominlnom
vyjadren, kvantitatvne v metrickom, mnostvovom vyjadren. Hodnoty mu by
usporiadan
(poradov, klasifikovan, kategorizovan, trieden), ale aj neusporiadan, t.j. zapsan tak,
ako boli zskan. Hodnoty mu by vyjadren v svojom rozmere, ale mu to by aj
pomern, bezrozmern dta (percent, a pod.)
Zkladnm cieom spracovania vberov hodnt je vpoet ich zkladnch
charakteristk, ktor meme rozdeli na:
charakteristiky polohy priemery (aritmetick, geometrick, harmonick, ...)
mdus a medin,
charakteristiky rozptlenia (variability)
absoltnej varian rozptie, rozptyl, tandardn odchlka,
relatvnej varian koeficient,
charakteristiky tvaru - asymetria, exces.
Postup spracovania, ako aj konkrtne pouit vzorce pre vpoet charakteristk sa lia
ak spracovvame tzv. vodn vbery, s malm potom hodnt pod 30, tzv. mal vber, alebo
vbery s vekm potom hodnt, vysoko nad 30, tzv. vek vber.
Spracovanie malho vberu
zha: - vpoet charakteristk,
- grafick zobrazenie vberu.
Zkladnou charakteristikou polohy V{x
i
}, n<30 je aritmetick priemer x (average-
ang., awar-arabsky, rovnomern rozdelenie kody, pokazenho produktu), ako tzv.
jednoduch, prost stredn hodnota, vypotan zo vetkch dt,

n
1 i
i
x
n
1
x AP
, ktor
uruje aisko V. Tto stredn hodnota, ako typick predstavite V m vlastnosti:
nestrannos, nevychlenos, unbiased:

n
1 i
i
0 x x ) (
,
asymptotick nestrannos:
X x
n
lim
po opakovanom meran sa
x
bli X,
jednoduch sdrnos, consistency:
[ ] 0 x X- P <
n
lim
, s rastcim n sa chyba
odhadu skutonej hodnoty bli k nule,
innos, efektvnos, efficiency:

n
1 i
1
2
min S ) ( x x
i
,
minimlny set tvorcov odchliek od priemeru, pre a{x
i
}:
1
n
1 i
2
2
S S ) (
a x
i
,
asymptonick vdatnos, dostatonos, pri n = N,
x
= X,
bodov odhad, x uruje polohu aiska vberu na osi NP.
24
n = 3
= 8
s
2
= 1
s = t 1
V
x
= 12,5%
n = 3
= 8
s
2
= 39
s = t 6,24
V
x
= 78%
TATISTICK METDY
Okrem zkladnej strednej hodnoty, aritmetickho priemeru, odpora sa uri aj
alie stredn hodnoty, a to modus - x - najastejie sa vyskytujca hodnota v spracovvanom
V a medin - x
~
- prostredn len vzostupne usporiadanch hodnt vo V (v prpade
neprneho) n; priemer dvoch prostrednch lenov (v prpade prneho n). Ak Mo Me x < < -
zporn ikmos, ak Mo Me x > > - kladn ikmos, ak Mo Me x - nulov ikmos.
Najjednoduchou charakteristikou tzv. absoltnej variability je varian rozptie R, t.j.
rozdiel maximlneho a minumlneho prvku sboru R = x
max
x
min
.
Zkladnou charakteristikou rozptlenia hodnt vberu okolo jeho aritmetickho
priemeru je rozptyl s
2
, ktor vyplva z vlastnosti innosti aritmetickho priemeru,
( )
n
1 i
i
x x
n
s
2 2
1
1
, kde n 1 je tzv. poet stupov vonosti, resp. nadbyton poet
dajov prslunho V. Pretoe rozptyl z hadiska rozmeru NP je na druh, zvyuje teda
pojem variability NP vo V, zavdza sa odvoden charakteristika, tandardn (smerodajn)
odchlka s, ako odmocnina z rozptylu, teda v rozmere prslunej NP,
2
s s t
, prp.
priemern absoltna odchlka

n
1 i
i
x x
n
d
1
.
Pre monos presnostnho porovnvania rznorozmernch NP vypota sa varian
koeficient (koeficient varicie) [%] 100
x
s
V , vyjadrujci percentulne kolsanie
spracovvanch hodnt.
Poslednou skupinou s charakteristiky tvaru, a to asymetria
( )
3
3
1
1
s
x x
n
A
i
x

a
exces
( )
3
1
1
4
4

s
x x
n
E
i
x
.
Ilustratvne obr.4.1 a 4.2 ukazuj vzah zkladnch charakteristk V.
Obr.4.1 Vzah medzi charakteristikami polohy a rozptlenia.
(Na zklade rovnakej hodnoty aritmetickho priemeru dvoch rznych
vberov nemono vyslovi iadny zver; rozptyly s vemi rzne.)
FLOREKOV, BENKOV 25
7
8
7
9
n = 3
= 8
s
2
= 1
s = t 1
V
x
= 12,5%
x
1
=7 x
2
=8 x
3
=9
-1 +1
1
8
7
n = 3
= 8
s
2
= 39
s = t 6,24
V
x
= 78%
x
1
=1 x
2
=10
-6,24 +6,24
13 10
x
3
=13
Obr. 4.2 Histogram poetnost a stredn hodnoty vberu s rozsahom n = 15.
(Aritmetick priemer = 1,723; modus 1,65, pretoe najviac, a 5 hodnt m tto
vekos; medin 1,70, pretoe v usporiadanom rade je pred nm aj za nm po 7
hodnt, teda je prostrednm lenom varianho radu.)
Spracovanie vekho vberu
zaha: - predspracovanie (triedenie hodnt),
- vpoet charakteristk,
- grafick zobrazenie vberu.
Triedenie vekho vberu obsahuje:
1. Vpoet varianho rozptia R = x
max
x
min
, ako rozdielu medzi najvou a najmenou
hodnotou vzostupne preusporiadanch hodnt V, teda ako rozdiel krajnch lenov
varianho radu.
2. Urenie potu tried k , ktor je mon viacermi spsobmi, napr.:
klasicky, ako hodnota k, zaokrhlen na cel slo pomocou podielu k = R / h,
(teda na 11-12-13 intervalov/tried),
vpotom zaloenom na rozsahu vberu n:
- [ ] n k n ln 4426 , 1 1 40 + ,
- [ ] n k n < 2 100 40 ,
- [ ] n k n ln 10 100 > , kde symbol [ ] znamen cel as.
(Je mon odporui vobu neprneho potu tried, aby aritmetick priemer leal
v prostrednej triede.)
3. Vpoet rky triedy h,
k
R
h ,zaokrhlenej na poet platnch miest hodnt vberu.
4. Vpoet dolnej a hornej hranice kadej triedy,
x
1,d
= x
min
, x
1,h
= x
1,d
+ h,
26
3
p
K
1,60
aritmetick
priemer
modus
medin
5
7 7
1,65 1,70 1,75 1,80
1,723
1,85 1,90
aritmetick priemer
modus
medin
symetrick rozdelenie
medin
aritmet. priemer

modus
negatvne rozdelenie
modus
aritmet. priemer
medin
pozitvne rozdelenie
TATISTICK METDY
x
2,d
= x
1,d
+ h, x
2,h
= x
2,d
+ h,
... x
k,h
= x
max .
Aby sa zaistilo, e ak sa konkrtna hodnota x
i
bude rovna presne hornej hranici jednej
triedy a zrove dolnej hranici nasledujcej triedy, bude zaraden jednoznane, je vhodn
upravi horn hranicu kadej triedy odtanm , t.j. hodnoty ktorej vekos volme poda
potu platnch desatinnch miest spracovanch hodnt vdy o jeden rd meniu, napr. 0,1;
0,01; 0,001, at.
5. Vpoet triednych znakov x
j
, j = 1,2,,k, t.j. zstupcov intervalov, do ktorch sa
spracovvan hodnoty bud zoskupova,
2
j,h j,d
j
x x
x
+
.
6. Vpoet absoltnych poetnost n
j
, teda potu hodnt, nachdzajcich sa v prslunej
triede pre x
i
< x
j,d
, x
j,h
>, s kontrolou
n n
k
1 j
j

.
7. Vpoet kumulatvnych (priebene stavanch) absoltnych poetnost N
j
,
k
j
j j
n N
1
,
s kontrolou N
k
= n.
8. Vpoet relatvnych poetnost
n
n
f
j
j
, s kontrolou
1
k
1 j
j
f
.
9. Vpoet kumulatvnych relatvnych poetnost
k
1 j
j j
f F
, s kontrolou F
k
= 1.
Vpoet charakteristk:
1. aritmetick priemer
k
1 j
j j
n x
n
x
1
, ako tzv. veobecn, ven priemer, pretoe kad
triedny znak m vhu, cenu, dleitos, ocenen absoltnou poetnosou, s vlastnosami
( ) 0
j
k
1 j
j
n x x
,
( ) min S
1

j
k
1 j
2
j
n x x
, pre a < x
min
, x
max
>, plat
( )

k
1 j
1 2
S S
j
2
j
n a x
,
X x
n
lim
,
[ ] 0 lim
n
>

X x P
,
2. modus x a medin x
~
,
3. rozptyl
( )

k
1 j
j
2
j
2
n x x
n
s
1
(nezohaduj sa stupne vonosti !),
4. tandardn odchlka
2
s s t
,
5. varian koeficient [%] 100
x
s
V
x
,
6. asymetria
( )
3
3
1
s
n x x
n
A
j j
x

,
FLOREKOV, BENKOV 27
aritmetick priemer
modus
medin
medin
aritmet. priemer

modus
negatvne rozdelenie
modus
aritmet. priemer
medin
pozitvne rozdelenie
7. exces
( )
3
1
4
4

s
n x x
n
E
j j
x
.
Urovanie troch strednch hodnt vberu hodnt aritmetick priemer, modus, medin
m svoj vznam.
Modus je mdna hodnota, d sa najahie njs, nem vak vznam pre urenie
polohy rozdelenia (pri zoveobecovan) NP.
Medin znamen, e del vber na dve rovnako rozsiahle polovice, 50% hodnt je
pod nm a 50% hodnt je nad nm, teda je najreprezentatvnej, pretoe je necitliv,
rezistentn voi omylom, extrmom vo vbere, je typick pre dan vber.
Aritmetick priemer je najuitonej, najpouvanej, pretoe zohaduje
rovnocennos vetkch spracovvanch dt, ale je vemi citliv, je nerezistentn, me
prudko
reagova na jedin vychlen (mal/vek) daj vo V, pretoe je jeho aiskom (obr.4.3).
Obr. 4.3 Vzah aritmetick priemer modus - medin
Okrem aritmetickho priemeru je pri niektorch NP vhodn pouva in stredn
hodnoty priemery, ako funkcie exponenta K (cel slo):
Ven (zoveobecnen) Jednoduch (prost)
K
1
n
n x
) x F(
k
1 j
j
K
j
k
,
_
K
1
n
x
) x F(
n
1 i
K
i
K
,
_
K = 1
aritmetick priemer (pre jednorozmern veliiny)
28
50% 50%
aritmetick priemer
(aisko)
medin modus
aritmetick priemer
modus
medin
medin
aritmet. priemer

modus
negatvne rozdelenie
modus
aritmet. priemer
medin
pozitvne rozdelenie
medin
(50%
hodnt)
TATISTICK METDY
n
n x
) x F(
j
j j
1
n
x
) x F(
i
i
1
K = 2
kvadratick priemer (pre dvojrozmern veliiny)
n
n x
) x F(
j
j
2
j
2
n
x
) x F(
i
2
i
2
K = 3
kubick priemer (pre trojrozmern veliiny)
3 j
j
3
j
3
n
n x
) x F(

3
i
3
i
3
n
x
) x F(

K = -1
harmonick priemer (pre intenzitn veliiny, prcnos, vanos)
j j
j
1
x
n
n
) x F(
i i
1
x
1
n
) x F(
K = 0
geometrick priemer
(pre asovo zvisl veliiny, priemern rast produktivity v ase)
n
n
k
n
2
n
1 0
k 2 1
x x x ) x F(
n
n 2 1 0
x x x ) x F(
Vsledkom spracovania vekho vberu by mali by aj jeho grafick prezentcie, napr.
1. histogramy poetnost (bar chart),
2. polygny poetnost (polygon),
3. kolov diagramy (pie diagram),
4. piktogramy (piktogram),
5. bodov diagramy (scatter diagram),
6. Senkeyho diagram (tokov diagram),
ktor pomhaj pri vizulnom spoznan vberovch hodnt.
Zo shrnnch vyobrazen sa s vhodou vyuva tzv. krabicov graf (box and whister
plot diagram s krabicou a fzami), obr. 4.4, poda Tukeyho.
FLOREKOV, BENKOV 29
medin
(50%
hodnt)
Obr. 4.4 Krabicov diagram vekho vberu hodnt x
i
.
30
25% kvartil 75% kvartil
50% kvartil
x
min
x
max
doln kvartil
(25% hodnt
pod medinom)
medin
(50%
hodnt)
horn kvartil
(25% hodnt
nad medinom)
aritmet.
priemer
TATISTICK METDY
5. Teria odhadu
Cieom terie odhadu je rozrenie bodovch charakteristk (aritmetick priemer, rozptyl),
urench z vberov, do oblasti zkladnho sboru, jeho parametrov. Odhad neznmych
charakteristk je mon ako tzv. bodov, t.j. odhad, pri ktorom neznmy parameter
nahrdzame jedinou hodnotou, alebo tzv. intervalov, kedy potame pre parameter
zkladnho sboru interval spoahlivosti, t.j. interval v ktorom sa neznmy parameter
nachdza so zvolenou pravdepodobnosou.
Bodov odhad parametrov
Vo veobecnosti pre bodov odhady parametrov plat, e m by:
konzistentn s rastcim potom pozorovan sa odhad bli k teoretickej
hodnote s pravdepodobnosou 1,
nestrann pri opakovanch vberoch kole odhad okolo teoretickej hodnoty,
vdatn rozptyl odhadov pri opakovanch vberoch je mal,
rezistentn odahl hodnoty nemaj vplyv na hodnotu odhadu.
Najlep nestrann a konzistentn bodov odhad matematickej ndeje sa pota poda vzorca:

n
i
i
x
n
x M(X)
1
1
,resp.
k
j
j j
n x
n
1
1
, a bodov odhad disperzie je mon vypota ako:
n
n
s D(X)
2 2
1

, pre
( )
n
i
i
2
x x
n
s
1
2
1
1
, resp.
( )
j
k
1 j
j
n x x
n

2
1
.
Intervalov odhad parametrov
Interval spoahlivosti, resp. tie konfidenn interval (Neyman, Pearson) je jedno
(vavo/vpravo) alebo obojstrann interval, odhadnut zo skutonch charakteristk vberu,
resp. vberov hodnotench NP, ktor so zvolenou pravdepodobnosou p obsahuje skuton
hodnotu danho parametra ZS. Interval je tm u, m:
je v rozsah sboru n,
je men rozptyl s
2
,
je menia pravdepodobnos p.
V praxi sa volia rovne pravdepodobnosti p = 0,90 / 0,95 / 0,99 / 0,999 tak, ako to bolo
uveden v kapitole 3 pri normlnom/normovanom normlnom rozdelen.
Interval spoahlivosti matematickej ndeje:
pre mal vber je zvisl na frekvennej funkcii Studentovho rozdelenia a ur sa zo vzahu
1
t
n
s
t x (X) M
, kde t je tabukov hodnota f
(t) pri zvolenom p/,

FLOREKOV, BENKOV 31
5. Teria odhadu
pre vek vber je zvisl na frekvennej funkcii Gaussovho normlneho rozdelenia
modelu f(x) / f(u) a ur sa zo vzahu
n
s
u x (X) M t
, kde u = 1,64 pre p = 0,90,

u = 1,96 pre p = 0,95, u = 2,58 pre p = 0,99, u = 3,29 pre p = 0,999, u = 3,89 pre p = 0,9999.
Interval spoahlivosti disperzie (nesymetrick interval) sa vypota pomocou
frekvennej funkcie f
(
2
) pomocou vzahu
( ) ( )
2
P
2
2
2
2
s
n ;
s
n (X) D 1 1
,
kde pre p = 0,95, = 0,05,
2
je pre p = 0,975,
2
P
je pre p = 0,025
a pre dan uren f
(
2
),
p = 0,99, = 0,01 p = 0,995 p = 0,005,
p = 0,999, =0,001 p = 0,9995 p = 0,0005,
teda /2+(1-/2)=1.
Spravidla sa kvli nzornosti odpora aj grafick prezentcia vypotanch intervalov
spoahlivosti. (Pre zaiatonkov je to dleit aj kvli kontrole sprvnosti svojich vpotov.
Aritmetick priemer vdy mus by v strede jeho intervalu spoahlivosti. Rozptyl vdy mus
by v rmci svojho intervalu bliie k dolnej alebo hornej hranici, nikdy nesmie by v jeho
strede!)
Obr.5.1 Interval spoahlivosti pre matematick ndej
Obr.5.2 Interval spoahlivosti pre disperziu
Poznmka: Pomocou intervalov spoahlivosti pre
vekho vberu je mon navrhn po-

trebn rozsah vberu pre poadovan presnos. Ak predpokladme presnos
x
, bude
plati
n
s
u x x t t
, z oho
2
,
_
s u
n .
32
2
s
( )
2
P
2
s
n 1
( )
2
s
n 1
n
s
u
n
s
u
x
TATISTICK METDY
6. Testovanie tatistickch hypotz
tatistick hypotza vyjadruje predpoklad, domnienku o niektorch vlastnostiach vberov,
o vzahu vber zkladn sbor, z pravdepodobnostnho hadiska.
Spravidla hovorme o hypotzach neparametrickch, ak sa nepredpoklad poznanie
parametrov / charakteristk, alebo parametrickch, ak sa vyaduje ich poznanie.
Hypotzy nazvame nulovmi H
0
, pretoe predpokladaj, e medzi sledovanmi
vlastnosami bude s vysokou pravdepodobnosou existova nulov rozdiel (nepodstatn
rozdiel).
Hypotzy mu by alternatvne H
a
, ke ich testujeme voi H
0.
Hypotzy mu by jednoduch alebo zloen.
Stupe sprvnosti H sa hodnot pomocou vhodnej testovacej tatistiky, testovacieho
kritria TK. Procedra overovania H sa nazva (tatistick) test. Vsledkom je vrok
o zamietnut H, resp. prijat H. TK me nadobda hodnoty z tzv. vberovho priestoru S,
ktor sa del na (obr.6.1):
polpriestor V - hodnoty svediace v prospech H
0
, tzv. obor prijatia
(akceptan oblas),
polpriestor W - hodnoty svediace v prospech Ha, tzv. kritick obor (kritick oblas).
Polpriestory V a W sa neprekrvaj, ich oddeovacie hranice tvoria kritick hodnoty KH .
Obr. 6.1 Obojstrann test tatistickej hypotzy
Me ale vznikn situcia, e H je sprvna, TK je v kritickej oblasti, ie zamietneme
sprvnu hypotzu, o je tzv. chyba 1. druhu. Opan situcia vznikne, ak je H nesprvna,
TK je v akceptanej oblasti, ie nezamietneme nesprvnu hypotzu, o je tzv. chyba
2.druhu. lohou testovania teda je, njs tak kritick oblas, aby pravdepodobnos chyby 1.
druhu neprekroila dan hladinu vznamnosti , a sasne, aby chyba 2. druhu bola menia
ako .
Poznmka: Riziko zamietnutia sprvnej hypotzy je , teda pravdepodobnos prijatia
sprvnej hypotzy je p = 1- . Ak zmenujeme, rastie riziko chyby 2.druhu .
Pravdepodobnos 1- je potom pravdepodobnos zamietnutia H v prpade, e je tto naozaj
nesprvna (tzv. sila testu). Preto je potrebn starostlivo zvi straty, ktor mu vznikn
chybnm rozhodnutm o H. m s vie nklady na chybu 1.druhu (napr. nklady na
modernizciu vrobnho zariadenia pre aplikciu technolgie, ktor nie je v niom lepia ako
predchdzajca), tm menie mus by , teda pravdepodobnos toho, e sa tejto chyby
dopustme. m vie s nklady na chybu 2.druhu (napr. zamietnutie novej technolgie,
ktor je lepia ako star), tm menie mus by .
Postup testovania tatistickch hypotz m nasledujce kroky:
FLOREKOV, BENKOV 33
p=1-
/2 /2
kritick kritick
akceptan oblas
Voba hladiny vznamnosti .
Formulcia hypotzy H
0
/ H
a
.
Vpoet testovacieho kritria TK.
Njdenie/vypotanie kritickej hodnoty KH.
Porovnanie TK s kritickou hodnotou KH interpretcia testu
na zvolenej hladine vznamnosti :
- ak TK <KH, H
0
nezamietame (shlasme s H
0
, prijmame H
0
),
(neshlasme s H
a
, zamietame H
a
), pretoe sledovan rozdiel nie je
tatisticky vznamn.
- ak TK >KH, H
0
zamietame (neshlasme s H
0
, neprijmame H
0
),
(shlasme s H
a
, prijmame H
a
), pretoe sledovan rozdiel je tatisticky
vznamn.
Testy extrmnych hodnt
slia na kontrolu omylov, prtomnosti hrubch chb vo vbere a odpora sa ich urobi na
zaiatku spracovania.
6.1.1 Dixonov neparametrick test
vyaduje varian rad spracovvanch hodnt. Testujeme minimlny aj maximlny prvok
sboru.

Urenie .
H
0
: x
max
x
n-1
= 0, x
2
x
min
= 0.
TK:
R
x x
Q
1 - n n
max

,
R
x x
Q
1 2
min

.
KH: Q
n,
urme z tabuliek Dixonovho testu pre spracovvan rozsah n a zvolen .
Interpretcia testu:
ak TK<KH s H
0
shlasme, prslun maximlny / minimlny prvok ponechme vo V,
ak TK>KH H
0
zamietame, prslun maximlny / minimlny prvok vylime z V a
test opakujeme pre nov dvojice krajnch hodnt varianho radu.
6.1.2 Grubbsov parametrick test
predpoklad, e s k dispozcii charakteristiky vberu. Testujeme minimlny aj maximlny
prvok sboru.
Urenie .
H
0
: x
max
x
n-1
= 0, x
2
x
min
= 0.
34
TATISTICK METDY
TK:
s
x x
T
min
min

,
s
x - x
T
max
max
.
KH: T
n,
urme z tabuliek Grubbsovho testu pre spracovvan rozsah n a zvolen .
Interpretcia testu:
ak TK<KH s H
0
shlasme, prslun maximlny / minimlny prvok ponechme vo V,
ak TK>KH H
0
zamietame a prslun maximlny / minimlny prvok vylime z V a
test opakujeme pre nov dvojice krajnch hodnt varianho radu.
Testy zhody empirickho a teoretickho rozdelenia
Pre posdenie, i spracovvan sbor dt je zaaen iba chybami nhodnmi, porovnvaj
sa jeho absoltne a kumulatvne absoltne (rovnako je mon aj pre relatvne) poetnosti
s hodnotami frekvennej, resp. distribunej funkcie prslunho rozdelenia.
Ak sa porovnvanie vykonva pre kontrolu na rozdelenie normlne, hovorme o
testovan normality vberu (sboru).
Najviac sa pouvaj dva zkladn testy zhody rozdelenia, test
2
a D
1
.
6.1.3 Pearsonov
2
test dobrej zhody
Urenie .
H
0
: n
j
- f(x
j
) = 0.
TK: Pre kad triedu sa vypota
( ) ( )
( )
j
2
j j 2
j
x f
x f n

,
a pre cel vber
( ) ( )
( )
k
1 j j
2
j j 2
x f
x f n
kde

n
j
absoltne poetnosti tried,
f(x
j
) hodnoty frekvennej funkcie prslunho triedneho znaku, (obr.6.2),
Vpoet hodnt frekvennej funkcie:
- vpoet noriem pre jednotliv triedy: triedy: k j
s
x x
u
j
j
,..., 2 , 1 ,
- vpoet frekvennch funkci pre normy tried:

k j e u f
j
u
j
,..., 2 , 1 ,
2
1
) (
2
2

- vpoet frekvennch funkci pre triedne znaky:

k j K u f x f
j j
,..., 2 , 1 , ) ( ) (
kde
k
j
j
u f
n
K
1
) (
.
FLOREKOV, BENKOV 35
Pri testovan krajnch tried je potrebn da pozor na to, aby iadne f(x
j
) nebolo menie ako
3-5, ale sasne, aby n
j
zlench tried zava nebolo vie ako za nm nasledujca
absoltna poetnos nadvzujcej triedy. Obdobne to plat naopak pri zluovan tried
sprava, aby n
j
zlench tried bolo menie ako absoltna poetnos predchdzajcej triedy.
Preto je treba v prpade potreby zli niekoko krajnch tried. Tto skutonos je vak
potrebn zohadni pre vpote , lebo z neho vyplva hadanie v tabukch pre kritick
hodnoty.

Obr. 6.2 Pearsonov test dobrej zhody
KH: frekvenn funkcia
2
rozdelenia pre zvolen a dan = k 1 m, kde k - poet
tried, m poet parametrov testovanho rozdelenia (pri normlnom rozdelen m = 2).
Interpretcia testu:
ak TK< KH normlne rozdelenie (resp. prslun teoretick rozdelenie) vhodne
popisuje dan sbor,
ak TK> KH normlne rozdelenie nie je vhodn pre dan sbor.
(Meme hada in vhodn rozdelenie.)
6.1.4 Kolmogorov-Smirnovov test zhody D1
Urenie .
H
0
: N
j
- F(x
j
) = 0.
TK:
( )
j j 1
x F N
n
D max
1
, kde
N
j
kumulatvna absoltna poetnos triedy,
F(x
j
) hodnota distribunej funkcie triedneho znaku (obr.6.3), vypota sa kumulovanm
frekvennej funkcie:
+
k
j
j k
x f x F x f x f x F x f x F
1
2 1 2 1 1
) ( ) ( ..., ), ( ) ( ) ( ), ( ) (
.
36
x
k
x
2
x
1
n
j
-f(x
j
)
n
j
f(x
j
)
x
j
x
j
TATISTICK METDY
Obr. 6.3 Kolmogorov-Smirnovov test zhody
KH: Vyhadme tabukov hodnoty D
1,krit
, alebo vypotame kritick hodnoty pre
5% ako
n
1,36
D
krit 1,

, pre 1% je
n
1,63
D
krit 1,

, pri 10% je
n
1,22
D
krit 1,

.
Interpretcia testu: vyplva z relanch vzahov medzi vypotanmi TK a kritickmi
hodnotami KH:
ak D
1,vyp
< D
1,krit
shlasme s nulovou hypotzou, pretoe empirick a teoretick
rozdelenie sa lia nevznamne,
ak D
1,vyp
> D
1,krit
zamietame nulov hypotzu, pretoe empirick a teoretick
rozdelenie sa podstatne lia.
6.1.5 Test normality pomocou asymetrie
Urenie .
H
0
: nhodn vber m normlne rozdelenie
TK:
) 3 )( 1 (
) 2 ( 6
+ +
n n
n
A
K
x
KH: u
p
, u
0,95
= 1,96; u
0,95
= 2,58
Interpretcia testu:
ak TK<KH shlasme s H
0
, sbor m normlne rozdelenie,
ak TK>KH zamietame H
0
, sbor nem normlne rozdelenie.
6.1.6 Test normality pomocou excesu
Urenie .
FLOREKOV, BENKOV 37
x
k
x
2
x
1
max|N
j
-F(x
j
)|
N
j
F(x
j
)
x
j
n
1
n/2
0,5
0
xj
H
0
: nhodn vber m normlne rozdelenie
TK:
) 5 )( 3 ( ) 1 (
) 3 )( 2 ( 24
1
6
2
+ +

+
+
n n n
n n n
n
E
K
x
KH: u
p
, u
0,95
= 1,96; u
0,95
= 2,58
Interpretcia testu:
ak TK<KH shlasme s H0, sbor m normlne rozdelenie,
ak TK>KH zamietame H0, sbor nem normlne rozdelenie.
Na overenie normality sa pouvaj aj Shapiro Wilkeho test, D Agostiniho test,
Jarque-Berrov test .
Testy na porovnanie dvoch vberov
parametrick (testy rozdielu parametrov) sa pouvaj ak:
dta s normlne rozdelen,
vbery s dostatone vek,
nie s vemi vek rozdiely medzi rozsahmi vberov,
neparametrick sa pouvaj ak:
nie s splnen podmienky pre parametrick testy,
chceme posilni validitu vsledkov parametrickch metd.
namiesto parametrov je v testoch pouvan poradie jednotlivch nameranch hodnt
(Znamienkov test, Medinov test, Wilcoxonov test, MannWhitneyov test ).
Testy rozdielu parametrov sa vykonvaj na porovnvanie rovnocennosti dvoch, resp.
viacerch rznych vberov, resp. na zisovanie prslunosti k zkladnmu sboru, resp. na
overenie novej a starej technolgie, metdy, postupu. Najprv sa vdy testuje rozdiel disperzi
a poda jeho vsledku rozdiel matematickch ndej. Pouvaj sa:
Klasick F-test (Fisherov) a klasick t-test , resp. t*-test pre normlne rozdelen dta
(vemi citliv) a nezvisl vbery,
Modifikovan F-test a modifikovan t-test, resp. t*-test pre vbery s inmi picatosami
ako normlne rozdelenie,
Robustn Jackknife test a robustn Jackknife test, , resp. t*-test pre vbery, ktor
nemaj normlne rozdelenie a obsahuj odahl hodnoty.
6.1.7 Test rozdielu disperzi - Fisherov test zhody disperzi
Postup testovania:
Urenie .
H
0
: 0
2
2
2
1
s s , resp. 0
2
2
2
1
.
38
TATISTICK METDY
TK:
2
2
2
1
s
s
F
(tak, aby F 1).
KH: F
krit
pri zvolenom a danch
1
,
2
z tabuliek Fisherovho rozdelenia
Interpretcia testu:
ak TK<KH s H
0
shlasme, rozdiel medzi rozptylmi je nepodstatn, tatisticky
nevznamn, vbery s rovnako presn - homoskedasticita,
ak TK>KH H
0
zamietneme, rozdiel medzi rozptylmi je nenulov, tatisticky
vznamn, ich hodnoty s nerovnako presn - heteroskedasticita
6.1.8 Studentov t-test pri homoskedasticite
Test rozdielu matematickch ndej ak plat 0
2
2
2
1
s s .
Postup testovania:
Urenie .
H
0
: 0
2 1
x x , resp. 0
2 1
.
TK:
( )
2 1
2 1 2 1
2
2 2
2
1 1
2 1
n n
n n n n
s n s n
x x
t
+
+
2
KH: z tabuliek Studentovho rozdelenia pre dan = n
1
+ n
2
2 a zvolen sa ur t
krit.
.
Interpretcia testu: Porovnanie t a t
krit.:
ak TK<KH shlasme s nulovou hypotzou, rozdiel medzi aritmetickmi priemermi
je nepodstatn.
ak TK>KH neshlasme s nulovou hypotzou, rozdiel medzi aritmetickmi
priemermi je podstatn, je potrebn vypota interval spoahlivosti existujceho
rozdielu
2 1
2 1 2 1
n n
s t x x x x
1 1
+ t
, kde s je zdruen tandardn
odchlka,
( ) ( )
2
1 1
+
+
2 1
2
2 2
2
1 1
n n
s n s n
s .
6.1.9 Studentov t-test pri heteroskedasticite
Test rozdielu matematickch ndej, ak plat 0
2
2
2
1
s s .
Postup testovania:
Urenie .
H
0
: 0
2 1
x x , resp. 0
2 1
.
TK:
1 1
+
2
2
2
1
2
1
2 1
n
s
n
s
x x
t
.
FLOREKOV, BENKOV 39
KH: z tabuliek Studentovho rozdelenia sa ur t
1,krit.
pre ,
1
= n
1
1 a t
2,krit.
pre ,
2
= n
2
1 a vypota sa
1 1
1 1
2
2
2
1
2
1
2
2
2
krit 2,
1
2
1
krit 1,
*
krit
n
s
n
s
n
s
t
n
s
t
t
Interpretcia testu: pri porovnan t a t
*
krit.
.s zvery rovnak ako u predchdzajceho
testu.
Poznmka: V bode 3 oboch testov, pri vpote t, s pod odmocninou bu stupne vonosti
(MV) alebo rozsahy (VV).
6.1.10 Studentov t-test provanch hodnt
je test dvojc, test vberov pre t ist NP s rovnakm rozsahom, pouva sa pre
ohodnotenie/porovnanie dvoch metd, prstrojov, kalibrciu. Dleit pri tomto teste je, e za
samozrejm pokladme prslunos oboch vberov k tomu istmu ZS. Obidva vbery tvoria
pr a pry tvoria aj ich hodnoty, ktor nememe preusporiada.
Ak teda V{x
i
}, i=1,2, ,n; V{y
i
}, i=1,2, ,n chceme porovna, testujeme, i
x
a
y
s
rovnak, teda i plat H
0
:
0 resp. 0,
y x
y x
.
Postup testovania:
Urenie
Medzivpoet:
rozdielov dvojc
i i i
d y x
,
aritmetickho priemeru rozdielov dvojc
n
i
i
d
n
d
1
1
,
rozptylu rozdielov dvojc
( ) 30, pre ,
1
1
1
2
<
n d d
n
s
n
i
i
2
d
( ) 30 pre ,
1
s
1
2
>

n d d
n
n
i
i
2
d
.
H
0
:
0 resp. 0,
y x
y x
TK:
d
s
n d
t
1
KH: z tabuliek Studentovho rozdelenia sa njde t

krit
pre zvolen a = n 1.
Interpretcia testu: Pri porovnan t a t
krit
s zvery rovnak ako u t a t* testov. V prpade
zamietnutia H
0
vypota sa interval spoahlivosti pre zisten
1
t
n
s
t d y x
d
.
Testy na porovnanie troch a viacerch vberov
parametrick sa pouvaj ak porovnvan vbery:
s normlne rozdelen,
40
TATISTICK METDY
s nezvisl,
maj tatisticky nevznamn rozdiel medzi rozptylmi homoskedasticita
(overuje sa Bartlettovm testom),
neparametrick sa pouvaj ak nie s splnen podmienky pre parametrick testy.
6.1.11 Bartlettov test
Postup testovania:
Urenie
H
0
:
2 2
2
2
1 k

TK:
( )
( )
( )
1
1
1
1
]
1
k
h
h h
k
h
h h
s n
k n
n s
k n
c
B
1
2 1
2
ln 1
1
ln
1
kde c je kontanta zlepujca aproximciu,

( )

,
_
k n n k
c
k
h h
1
1
1
1 3
1
1
1

h
n
s rozsahy jednotlivch vberov,

k
n n n n + + +
2 1
je celkov poet hodnt vberov,

2
h
s s rozptyly jednotlivch vberov.
KH:
2
,
z tabuliek Pearsonovho rozdelenia, pre a = k 1.

Rozhodnutie o vsledku testu:
ak
2
,
< B
shlasme s nulovou hypotzou, rozdiel medzi disperziami je
na zvolenej hladine vznamnosti tatisticky nevznamn a predpoklad
homoskedasticity je potvrden,
ak
2
,
> B
nulovou hypotzu zamietame, jedn sa o heteroskedasticitu.
tatistick metdy pre porovnvanie priemerov troch a viacerch vberov patria do
tzv. analzy rozptylu. Pre tento sbor metd sa pouva oznaenie Anova (Analysis of
Variance). Jedn sa o metdy, ktor meme zaradi medzi tzv. plnovan pokusy, teda
dopredu je potrebn vybra z existujcich monost (plnu pokusov vi alej) tak, ktor
bude najlepie vystihova testovan situciu. In analzu, in pln pokusov pouijeme vtedy,
ak porovnvan vbery s vytvran psobenm jednho faktora, in ak sa bude jedna o p-
sobenie dvoch, i viacerch faktorov.
Hlavnou mylienkou analzy rozptylu je rozklad celkovej variability nameranch
hodnt na zloky tzv. medziskupinov, ktorch vekos je mon prisdi vplyvu
jednotlivch faktorov, prpadne aj ich vzjomnmu psobeniu, a zloku vntroskupinov,
ktor je dan rozdielnosou hodnt v rmci porovnvanch vberov. Zjednoduene povedan,
ak je vntroskupinov variabilita via ako medziskupinov, medzi porovnvanmi vbermi
nie je tatisticky vznamn rozdiel, resp. vplyv faktora/faktorov nie je vznamn, a naopak,
ak je vntroskupinov variabilita menia ako medziskupinov variabilita, medzi
porovnvanmi vbermi je vznamn rozdiel, resp. vplyv faktora/ faktorov je vznamn.
FLOREKOV, BENKOV 41
Analzu rozptylu rozdeujeme poda potu sledovanch faktorov na
jednofaktorov, dvojfaktorov, trojfaktorov, at. Aj ke je teoreticky mon uvaova
neobmedzen poet faktorov a rovn, v relnych lohch sa zvyajne pracuje s 1-4 faktormi,
ktor sa uvauj na 2-6 rovniach.
6.1.12 Jednofaktorov analza rozptylu
Sledujeme vplyv jednho faktora u na vsledky pokusu pri jeho niekokch rovniach
(hodnotch). Nameran hodnoty x
ih
s zoraden do k skupn/tried (h=1,,k) poda rovn
uvaovanho faktora, vi tabuka. V jednotlivch triedach me by rovnak (tzv. vyven
pln pokusov), alebo rzny poet hodnt (nevyven pln pokusov).
Nameran hodnoty
r
o
v
n
e

f
a
k
t
o
r
a

u
1
2
1 13 12 11
, , , ,
n
x x x x
2
2
2 23 22 21
, , , ,
n
x x x x
.
.
.
.
.
.
k
k
kn k k k
x x x x , , , ,
3 2 1

Postup testovania:
Urenie
H
0
:
k

2 1
(vplyv faktora u nie je vznamn)
TK:
E
B
SS
SS
k
k n
F
1
kde SS Sum of Squares (B Between, E Error, T Total) je suma tvorcov,
( )

k
h
h h B
x x n SS
1
2
je suma tvorcov medzi skupinami,
( )

k
h
n
i
h hi E
h
x x SS
1 1
2
je suma tvorcov vo vntri skupn,
priom mus plati, e SS
E
+ SS
B
= SS
T
a
( )

k
h
n
i
hi T
k
x x SS
1 1
2
je celkov suma tvorcov,
h
n
i
hi
h
h
x
n
x
1
1
, h=1,,k s skupinov aritmetick priemery,
k
h
n
i
i h
k
h
h
h
x
n
x
1 1
,
1
1
je celkov priemer.

KH:
2 1
, ,
F
z tabuliek Fisherovho rozdelenia, pre a
1
= k 1,
2
= n k.
42
TATISTICK METDY
Ak
2 1
, ,
F F <
shlasme s nulovou hypotzou, rozdiel medzi aritmetickmi
priemermi je nepodstatn, vplyv faktora u nie je tatisticky vznamn.
Ak
2 1
, ,
F F >
neshlasme s nulovou hypotzou, rozdiel medzi aritmetickmi
priemermi k skupn je podstatn, vplyv faktora u je tatisticky vznamn.
V tomto prpade meme v testovan pokraova a skma, ktorch skupn sa rozdiel
tka. Pre jednotliv dvojice aritmetickch priemerov
h' h
x , x
, kde h=1,,k, h =1,,k,
h h vypotame testovacie kritri poda vzahu
( )
,
_
h' h
E
h' h
hh'
n n
SS
x x
k
k n
F
1 1
1
2
.
Porovnanm jednotlivch TK a KH (urenej v predchdzajcom teste) zistme, rozdiel
aritmetickch priemerov ktorch skupn spsobil neprijatie hypotzy o rovnosti
aritmetickch priemerov vetkch porovnvanch tried (rovn faktora u).
6.1.13 Dvojfaktorov analza rozptylu
Uvaujeme vplyv dvoch faktorov u, v. Faktor u je sledovan na h=1,,k rovniach,
faktor v je sledovan na g=1,,q rovniach. Pre al postup je dleit, i sa:
kad rove faktora u kombinuje so vetkmi rovami faktora v, teda jedn sa o tzv.
krov usporiadanie plnu pokusov, alebo vplyv faktora v sa skma v rmci faktora u,
teda jedn o tzv. hierarchick usporiadanie plnu pokusov (Napr. pri kontrole kvality je
mon zisova, i sa v niektorom ukazovateli kvality lia vrobky z niekokch
podnikov (u), ktor pochdzaj z jednotlivch dieln (v) vo vntri tchto podnikov.),
pre jednotliv rovne faktorov u a v urobilo len jedno meranie, teda jedn sa o tzv.
pln pokusov bez opakovania, alebo je uskutonench viac meran (pokusov), teda
jedn sa o tzv. pln pokusov s dvojnsobnm (trojnsobnm, ..) opakovanm,
jedn na jednotlivch rovniach faktorov u a v o rovnak poet meran, teda
m n
hg

, teda
ide o tzv. vyven pln, alebo rzny poet meran a jedn sa o tzv. nevyven pln
pokusov.
Krov usporiadanie plnu pokusov bez opakovania
Na kadej z kq kombincii rovn faktorov u a v je k dispozcii jedno meranie.
Celkov poet meran je rovn
q k n
. Nameran hodnoty
q g k h x
hq
, , 1 , , , 1 ,
s
usporiadan v nasledujcej tabuke:
rovne faktora v
1 2 3 ... q
1
11
x
12
x
13
x
... q
x
1
2
21
x
22
x
23
x ...
q
x
2
FLOREKOV, BENKOV 43
r
o
v
n
e

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
k
1 k
x
2 k
x
3 k
x
...
kq
x
Postup testovania:
Urenie
H
01
:
k

2 1
(vplyv faktora u nie je vznamn)
H
02
: q

2 1 (vplyv faktora v nie je vznamn)
TK:
E
u
u
SS
SS
k
q k
F
1
) 1 ( ) 1 (
,
E
v
v
SS
SS
q
q k
F
1
) 1 ( ) 1 (
kde
( )

q
g
g v
x x k SS
1
2
je suma tvorcov rozdielov spsoben vplyvom faktora v,
( )

k
h
h u
x x q SS
1
2
je suma tvorcov rozdielov spsoben vplyvom faktora u ,
( )

+
k
h
q
g
g h hg E
x x x x SS
1 1
2
je vntroskupinov (rezidulna) suma tvorcov
rozdielov,
priom mus plati
E v u E B T
SS SS SS SS SS SS + + +
( )

k
h
q
g
hg T
x x SS
1 1
2
q
g
hg h
x
q
x
1
1
s aritmetick priemery pre jednotliv rovne faktora u,
k
h
hg g
x
k
x
1
1
s aritmetick priemery pre jednotliv rovne faktora v,

k
h
q
g
hg
x
q k
x
1 1
1
je celkov priemer (za vetky skupiny),
KH: z tabuliek Fisherovho rozdelenia urme dve kritick hodnoty:
2 1
, , u
F
poda ,
1
= (q 1),
2
= (k 1)(q 1),
2 1
, , v
F
poda ,
1
= (k 1),
2
= (k 1)(q 1).
Interpretcia testov:
Ak
2 1
, , u u
F F <
,resp.
2 1
, , v v
F F <
shlasme s nulovou hypotzou, rozdiel medzi
aritmetickmi priemermi porovnvanch vberov je nepodstatn, vplyv faktora u,
resp. vplyv faktora v nie je tatisticky vznamn.
Ak
2 1
, , u u
F F >
,resp.
2 1
, , v v
F F >
neshlasme s nulovou hypotzou, rozdiel medzi
aritmetickmi priemermi je podstatn, vplyv faktora u resp. vplyv faktora v je
tatisticky vznamn.
44
TATISTICK METDY
6.1.14 Latinsk tvorec pre tri faktory na troch rovniach
Latinsk tvorec je pecilny typ plnu pokusov, ktor je mon poui namiesto
krovho usporiadania trojfaktorovho plnu pokusov bez opakovania. Vhodou je vrazne
men poet potrebnch dajov, nevhodou je, e vetky tri faktory je nutn uvaova na
rovnakom pote rovn, napr. na troch ako ukazuje obrzok. Vzhadom na to, e sa jedn
o pln bez opakovania nie je mon skma vplyv interakcie jednotlivch faktorov.
rovne
faktora v
1 2 3
r
o
v
n
e

f
a
k
t
o
r
a

u
1 A B C
2 B C A
3 C A B
A,B,C
rovne faktora w
6.1.15 Kruskal Wallisov test
je neparametrick variant jednofaktorovej ANOVy, ktor vyuva poradie hodnt, nie
samotn hodnoty. V nulovej hypotze sa predpoklad rovnos medinov.
Postup testovania:
Urenie
H
0
:
k
x x x
~ ~ ~
2 1

TK:
) 1 ( 3
) 1 (
12
1
2

,
_
n
n
R
n n
H
k
h h
h
usporiadame vetky hodnoty zo vetkch porovnvanch vberov do jednho
varianho radu vzostupne,
vypotame sumy porad jednotlivch vberov R
1
, ..., R
k.
KH:
2
,
z tabuliek Pearsonovho rozdelenia pre a = k 1.
Ak TK<KH shlasme H
0
, medzi porovnvanmi vbermi nie je tatisticky
vznamn rozdiel.
Ak TK>KH zamietame H
0
, medzi porovnvanmi vbermi je tatisticky
vznamn rozdiel.
FLOREKOV, BENKOV 45
6.2
2
test nezvislosti v kontingennej tabuke
sa zaober tatistickou analzou kontingennch tabuliek, ktor vznikaj pri popise vzahu
tzv. kategorilnych premennch. Uvaujme, e kad experimentlna jednotka me by
klasifikovan poda dvoch premennch/kritri/kvantitatvnych znakov A, B. Premenn A m
r kategri (rovn) a premenn B m s kategri (rovn). Symbolom n
ij
ozname poet
prvkov s vberu, ktor m rozsah n, ktor poda premennej A patria do kategrie A
i
a poda
premennej B do kategrie B
j
. Poet prvkov vberu, ktor patria do kategrie A
i
je oznaen
n
i.
, poet prvkov patriaci do kategrie B
j
.
rove B
1
B
2
... B
s n
j
A
1
n
11
n
12
... n
1s
n
1.
A
2
n
21
n
22
... n
2s
n
2.
.
.
.
.
A
r
n
r1
n
r2
... n
rs
n
r.
n
i
n
.1
n
.2
n
.s
n
Postup testovania:
Urenie
H
0
: Medzi kvantitatvnymi znakmi A a B nie je tatisticky vznamn zvislos.
TK:
( )
r
i
s
j ij
ij ij
m
m n
1 1
2
2
n
ij
empirick poetnosti
m
ij
teoretick poetnosti
n
n n
m
j i
ij
. .

KH: kvantil
2
rozdelenia pre zvolen a vypotan = (r-1).(s-1)
r poet variantov znaku A poet riadkov tabuky,
s poet variantov znaku B poet stpcov tabuky.
ak TK<KH shlasme s H0, medzi porovnvanmi kvantitatvnymi znakmi
A a B nie je tatisticky vznamn zvislos,
ak TK>KH zamietame H0, medzi porovnvanmi kvantitatvnymi znakmi
A a B je tatisticky vznamn zvislos.
46
TATISTICK METDY
7. Robustn a neparametrick tatistika
Pri spracovan malch vberov, asto zskanch z tzv. vodnch, vstupnch experimentov,
vznikaj niektor otzky:
Sme oprvnen povaova aritmetick priemer za najreprezentatvnej a nevychlen?
M medin v vznam ako aritmetick priemer?
Je vber naozaj nhodn z prslunho zkladnho sboru?
S odahl (krajn, najmenie-najvie, extrmne) hodnoty prvom vo vbere?
Ak bude rozdelenie prslunho zkladnho sboru, na ktor chceme z vberovch
charakteristk usudzova, normlne, i in?
Na vinu tchto otzok me da odpove niektor z tzv. kompromisnch postupov. S to
najm tzv. poradov (rankov, bezhodnotov) a robustn tatistiky.
Aritmetick priemer vyuva vetky dta. S situcie, ke zahrnutie extrmnych dt
spsob zbytone nepresnos aritmetickho priemeru a vtedy je lepie poui medin x
~
, ktor
je nezvisl na type rozdelenia NP(X), je teda neparametrickou tatistikou.
Preto sa pri vemi malch vberoch (cca do 12 hodnt) odpora pota interval
spoahlivosti pre medin, Me(X), ako parameter neznmeho ZS, a to spravidla tak, e sa
z varianho radu n hodnt x
i
vynech prv minimlna a posledn maximlna. Potom sa
uruje interval spoahlivosti
1 n 2
x , x Me(X)

pomocou binomickho rozdelenia ako

hodnota percentulnej pravdepodobnosti, e M(X) padne do tohoto rozmedzia (Meloun,
Militk 1994).
Vhodou tzv. robustnej tatistiky je, e zskan vsledky s dostatone stabiln,
nevhodou, e len vemi pribline sa dosahuje 95% spoahlivos, a e vpoty s pomerne
komplikovan, preto sa vyuvaj iba s potaovou podporou.
Pre vpoet aritmetickho priemeru sa pouva kompromis, e sa tento pota iba zo
stredu varianho radu. Odpora sa usekn zava aj sprava po 25% hodnt (50% kvartil),
m vznikne tzv. useknut priemer (trimmed value). (Percento useknutia me vak by aj
in.)
Napr. pre n = 12, s dta vo varianom rade:
81, 94, 95, 95, 97, 102, 106, 110, 113, 114, 135, 160
0% 25%
IQR
75% 100%
Potom
106,1 x 108,5, x
0,08

(8% z 12 hodnt je 1 hodnota, vynech sa 81 a 160),
103,8 x
0,15

(25% z 12 hodnt s 3 hodnoty, vynech sa 81, 94, 95 a 114, 135, 160),
104 x
~
x
0,42

(42% z 12 hodnt je 5 hodnt, zostva iba 102 a 106, vsledok je medin).
Najlep vsledok je 0,25
x
. (Priemer klesal 108,5; 106,1; 103,8; a zasa narstol 104,0)
(IQR interval quartil range najlepie medzi kvartilov rozptie).
Okrem useknutho, odpora robustn tatistika vpoet tzv. dvojvenho priemeru.
Stredu varianho radu sa prideuj najvyie vhy a jeho okrajom o najmenie. Ak u
FLOREKOV, BENKOV 47 4
LL
L
7. Robustn a neparametrick tatistika
mme z vpotu useknutho priemeru uren najvhodnejie IQR, tak vypotame normu
3.IQR
x
~
x
z
i
i

. Potom vhy jednotlivch hodnt bud 1 | z | pre , ) z (1 w

2 2
i i
,
1 | z | pre 0, w
0
>
.
Medin bude ma teda najviu vhu. Potom
n
1 i
i
n
1 i
i i
dw
w
w x
x
(dw double weighted).
(Pre n prklad
102,7 x
dw

, je o nieo lep ako predchdzajci.)
Existuje aj al kompromis, vpoet tzv. dvojvenho iterovanho priemeru, t.j.
postupn zlepovanie odhadu neznmej M(X) . Teraz sa ur norma
3.IQR
x x
z
dw i
i

, w
i
-rovnako ako pri dvojvenom priemere. Vdy ke daj zlepen vhy lep odhad
n
dwi
x ,
vyrtaj sa nov normy
n
i
z , nov vhy
n
i
w a postup sa opakuje dovtedy, dokedy u
nedochdza k zlepeniu. Prslun odhad je najbliie k M(X).
Pri hodnoten takchto vberov sa odporaj aj alie testy.
Poradov test nezvislosti (nhodnos vberu je dleitejia ako normalita). Testuje sa
H
0
, e vber je nhodn z prslunho ZS. Dta sa vykreslia tak, ako boli zskan (obr.6.4)
ak H
0
m plati, medinov priamka asto pretna polygn dt,
ak H
0
nie je pravdiv, medinov priamka mlokedy pretna polygn dt,
tzv. sriov test pozorovania nad medinovou priamkou H (high) a pozorovania pod
medinovou priamkou L (low), sa usporiadaj do sri, napr. tu
LLL / HHHHH / LLLL / HH (obr.6.4),
LL / H / L / HH / LL / HH / LL / HH (obr.6.5),
vznikne niekoko nepreruench postupnost hodnt L alebo H, teda poet sri R = 4(8).
Pri n hodnotch (najradej neprny poet, aby sme medin mohli vynecha), ak m H
0
by
pravdiv, m poet sri R normlne rozdelenie s
2
1 n
D(R) 1,
2
n
M(R)

+ ,
(tu: 1,80
2
1 14
D(R) 8, 1
2
14
M(R)
+ ).
Po ich uren sa vypota normovan kritick hodnota
D(R)
M(R) R
Z

,
(tu pri R = 4 je
2,22
1,80
8 4
Z
, pri R = 8 je
0
1,80
8 8
Z
.)
Z tabuliek normovanho normlneho rozdelenia sa ur hodnota distribunej funkcie pre Z,
teda pravdepodobnostn hodnota Pr, ktorej vyjadrenie v % ur pravdepodobnos, e vber
je/nie je nhodn.
(tu teda Pr ( R 4 ) = Pr ( Z -2,22) = 0,013 pr. hodnota 1%, teda vber n = 14 hodnt
nie je nhodn;
Pr ( R 8 ) = Pr ( Z 0) = 0,5 pr. hodnota 50%, teda vber n = 14 hodnt je (me by)
nhodn.
48 4
LL
L
TATISTICK METDY
Obr.6.4 Sriov test vber nie je nhodn
Obr.6.5 Sriov test vber je nhodn
Pri takchto vemi malch vberoch sa odpora tie vykona znamienkov test pre
prov vber (namiesto provho t-testu).
Medinov analzu mono rozri, ak s dva vbery nezvisl (Lindgren, 1976). Pre
dva a viac vberov existuje tzv. median polish analza, podobn analze rozptylu, iba miesto
x sa pouva x
~
.
FLOREKOV, BENKOV 49
H
L
H
L
H
L
H
L
H
L
H
L
H
L
L
L
L
L
L
L
x
as
L
L
L
H
L
H
L
H
L
L
H
L
H
L
H
L
L
L
L
L
x
as
L
H
L
7. Analza zvislost
8. Analza zvislost
tatistick analza sa vemi asto zaober nielen jednou izolovanou premennou, ale aj
vzahmi medzi premennmi. Urovanm typu vzahu medzi premennmi, typu regresnho
modelu sa zaober regresn analza. Zisovanm sily vzahu medzi premennmi, ich
vzjomnej korelcie sa zaober korelan analza.
V alom sa budeme zaobera zvislosou medzi dvoma premennmi X, Y, ktor
me by vyjadren pomocou linerneho regresnho modelu, alebo niektorho z mnohch
typov nelinernych regresnch modelov a zvislosou medzi premennou Y premennmi X
1
,
X
2
, ..., X
k
, ktor me by vyjadren pomocou viacnsobnho linerneho regresnho modelu.
Pri hlbom skman RM sa zisuj aj alie vlastnosti RM, a to najm autokorelcia
(usporiadanos nezvisle a zvisle premennch v ase, typick pre asov rady, ktor vak
me viaza na seba aj in premenn), multikolinearita (existencia vzahu medzi nezvisle
premennmi pri viacrozmernch RM), autoregresia.
8.1 Metdy odhadu parametrov regresnho modelu
V rmci regresnej analzy je potrebn zvoli vhodn typ regresnho modelu a potom
vypota najlep odhad jeho parametrov. Na tento el sa pouvaj viacer metdy (Seger,
Hindls 1993):
metda najmench tvorcov,
metda iastonch stov,
metda vntornej regresie,
metda postupnho zlepovania rieenia,
metda aprirnej informcie,
metda vybranch bodov.
Najuniverzlnejia z nich je metda najmench tvorcov a preto sa ou budeme alej
zaobera podrobnejie.
8.2 Metda najmench tvorcov
Gaussova (1802) metda najmench tvorcov MN je zkladnou pracovnou metdou pre
spracovanie dt. Jej nzov vychdza z Gaussovho mnohonsobne overenho princpu: set
tvorcov rozdielov medzi skutonmi a teoretickmi hodnotami je najmen mon.
Hodnotou tu me by chyba v meraniach (lohy tzv. vyrovnvacieho potu, lohy o
zvykovom rezidulnom rozptyle), rozdiel medzi zvislosami dvoch premennch zasa
z pohadu relnych dajov a ich pravdepodobnch odhadov (lohy o rezduch, lohy o
najvhodnejch vzahoch medzi premennmi).
(Je potrebn prizna, e sprvnos MN Methode der kleinsten Quadraten, Method of
least Squares, jej platnos, bola overen nepriamo pomocou tzv. metdy maximlnej
vierohodnosti Methode der maximal Wahrscheinlichkeit, Method of Maximum Likelyhood,
autorov Fishera a Linnika).
U aj platnos vzahu pre aritmetick priemer, rozptyl, Pearsonov test je zaloen na
MN. Avak pri spracovan jednorozmernch vberov bola aplikovan akoby bez
50
TATISTICK METDY
vysvetlenia, intuitvne, pri spracovan dvoj a viacrozmernch vberov je potrebn jej
princp pred vlastnou aplikciou vysvetli.
Kee Gauss vychdzal z poiadavky, e mus existova nejak funkcia, ktor
minimalizuje set tvorcov rozdielov medzi danmi a oakvanmi dtami, nazval tto
elovou, kriterilnou funkciou Z. Potom bolo potrebn njs tak Z, pre ktor bude plati (v
rmci existujcich obmedzen) vzah
( )

n
1 i
2
i
n
1 i
2
i i
v TH EH Z min
, kde EH
i
s
experimentlne (dan) hodnoty a TH
i
s teoretick (oakvan) hodnoty, v
i
je skuton
rozdiel tchto dvojc hodnt, chyba merania, rezduum (zvyok). Gauss odvodnil platnos
MN pomocou troch tzv. postultov:
Za predpokladu normlneho rozdelenia nhodnch chb, poskytuje MN
najpravdepodobnej (najlep, najspoahlivej) odhad stanovovanej hodnoty.
Za predpokladu symetrickho (prneho) rozdelenia nhodnch chb, m
najpravdepodobnejia hodnota najmeniu tandardn odchlku a najviu vhu
pravdepodobnos vskytu.
Za predpokladu splnenia prvch dvoch poiadaviek, dva MN nestrann
(nevychlen) odhad stanovovanej hodnoty.
Ak napr. za stanovovan hodnotu budeme povaova aritmetick priemer x
jednorozmernho malho vberu V{x
i
}
n
, potom elov funkcia
( ) min
1
2

n
i
i
x x Z
.
Z rozboru takejto funkcie vyplva, e prv derivcia Z poda
x
sa m rovna 0 a druh
derivcia Z m by kladn. Potom
( ) 0 2
1

n
i
i
x x
x
Z
,
+
n
i
i
x n x
1
0
,
n
i
i
x
n
x
1
1
, ( ) 0 2 1 2
1
>
n
x
Z
n
i
2
2
.
Ak napr. za stanovovan hodnotu budeme povaova aritmetick priemer x
jednorozmernho vekho vberu V{x
i
}
n
, potom elov funkcia
( ) min
1
2

k
j
j j
n x x Z
,
( ) 0 2
1

j
n
i
j
n x x
x
Z
,

+
k
j
j
k
j
j j
x n n x
1 1
0
,
n
n x
n
n x
x
k
j
j j
k
j
j
k
j
j j

1
1
1
,
0 2 2
2
2
>
n n
x
Z
n
1 j
j
.
Ak uvaujeme, e stanovovanou hodnotou bude napr. predpokladan vzah medzi
dvoma premennmi x, y, ktor je zaloen na vbere tchto hodnt V{x
i
, y
i
}, potom
( ) min ) ( ) (
1 1

n
i
n
i
2
i i
2
i i
Y y x f y Z
, ak premenn Y je teoretick zvislos hodnt
zvisle premennej y
i
na hodnotch nezvisle premennej x
i
.
Platnos MN, resp. elovej funkcie Z vytvorenej na jej zklade pre zvislosti (tzv.
strednokvadratick aproximcie) medzi jednou zvisle premennou Y a jednou nezvisle
premennou X (dvojrozmern regresn modely), resp. viacermi nezvisle premennmi x
j
(viacnsobn/mnohonsobn regresn modely) je obmedzen na tak typy tchto zvislost,
ktor s:
FLOREKOV, BENKOV 51
7. Analza zvislost
linerne v urovanch parametroch
,
_
+ + +
2
2 1
0 1 0
a a
a a a
x x
Y x, Y
,
linearizovaten v urovanch parametroch
logaritmovanm ( ) x Y x Y x Y
x
log a loga log a , a lna lnY e a
1 0
a
0 1 0
a
0
1 1
+ + ,
substitciou
( )

,
_
+ +

0 pre , a a T
1
a a
1 0
1
1 0
y x
Y
x Y
,
linerne / linearizovaten v parametroch po vykonan poiatonho odhadu,
transformciou sradnicovho systmu posunutm ( +
x
Y e a a
1 0
odhad a
0
na osi y,

x
T e a a Z
1
*
0
posun osi x o odhad ) x T +
1
*
0
a ln ln , a . Poiaton odhad posunu
a
*
0
je mon vykona rznymi postupmi, avak veobecne sa odpora urobi aspo tri
odhady a
*
0
(doln, stredn, horn) a po vpote vybra ten variant, pre ktor je Z
minimlna.
8.3 Regresn modely pre dve premenn
Tzv. teoretick regresia, t.j. vzah jednej veliiny k druhej, resp zvislos jednej veliiny
(zvislej, vysvetovanej) na druhej veliine (nezvislej, vysvetujcej), sa d zska zo
sasne meranch, pozorovanch dt, hodnt dvojc x
i
, y
i
, usporiadanch do vberu V{x
i
, y
i
}
n.
Ak odvodnene predpokladme, e medzi tmito dvoma premennmi existuje
pravdepodobnostn vzba, ktorej silu vyjadruje kovariancia, spolon rozptyl tchto
premennch, meme pomocou tejto informcie aproximova jednu NP, pomocou druhej a
vytvori regresn model RM, regresn zvislos tchto premennch.
Za optimlne vyjadrenie teoretickho vzahu
) ( ) (
opt
x f x Y
povaujeme to, ktor
vyhovuje podmienke minima elovej funkcie Z, vytvorenej na princpe MN:
( ) ( ) min. ) ( E resp. , min ) (
2
1
2
i

x f Y x f Y Z
n
i
i
Vypovedacia schopnos RM zvis na spracovvanch experimentlnych dtach a je ju
mon spozna iba na zklade komplexnej analzy, pri plnom repektovan vetkch
informci vecnho, logickho, ekonomickho, technickho, technologickho, socilneho
charakteru. RM umouj lepie, hlbie spoznanie skmanch javov v svislostiach,
pomocou vzahov medzi premennmi.
asto neexistuje iba jedna aproximcia vberu V{x
i
, y
i
}
n
, regresnm modelom.
Vhodnos toho ktorho typu RM, vber typu RM z viacerch alternatv, je mon hodnoti
pomocou teoretickej korelcie, t.j. selnho vyjadrenia tesnosti, pevnosti vzahu medzi
hodnotenmi NP. Korelcia sa hodnot poda vyjadrench kritri, z ktorch najinnejie je
seln vyjadrenie pomocou koeficientu, resp. indexu korelcie.
MN napriek svojej univerzlnosti, nedva monos uri najlep RM medzi
premennmi, ale pre vopred zvolen tvar RM dva monos vypota najvhodnejie
hodnoty jeho parametrov. Voba tohoto vhodnho typu zvislosti vychdza vdy z tzv.
bodovho diagramu, t.j. na zaiatku prce s dvojrozmernm vberom hodnt je potrebn
vynies do grafu dvojice hodnt {x
i
, y
i
} a z neho odhadn mon priebeh zvislosti.
Povaujeme za potrebn zdrazni, e existuje podstatn rozdiel medzi funkciou dvoch
premennch a regresnm modelom pre dve premenn, preto pri spracovan dvojrozmernch
(alebo aj viacrozmernch) vberov nepouvame pojem funkcia, ale zvislos, resp. regresn
52 5
TATISTICK METDY
model, prp. tatistick model (zvislos). D sa vone poveda, e krajnm prpadom
tatistickej zvislosti (ak by neexistovali nhodn vplyvy pri zskan hodnt NP !!) je funkcia.
8.3.1 Linerny regresn model LRM
Ak z V{x
i
, y
i
}
n
, po vynesen hodnt m bodov diagram tendenciu trend priamej
zvislosti (obr.8.1), je mon ju popsa polynmom 1. stupa, t.j. priamkou. (Je potrebn si
uvedomi, e tto priamka by sa skr mala nazva sekou, lebo jej platnos je obmedzen
oborom hodnt x a y, ktor spracovvame, ktor sme zskali meranm.)
Obr.8.1 Linerna - priama zvislos medzi premennmi x a y
Z obr . 8.1 vyplva, e vzah medzi x a y me by obojsmern, t.j. Y me by
zvisl na x, resp. X me by zvisl na y, o vyplva z predpokladu tzv. dvojrozmernho
normlneho rozdelenia, t.j. e premenn {x
i
} ako samostatn vber, tak aj premenn {y
i
} ako
samostatn vber s normlne rozdelen. Tto zmena vzahov zvisl / nezvisl premenn
a naopak je mon iba pri vyjadrenom trende k linernej zvislosti.
Vpoet parametrov a
1
, a
0
, resp. b
0
, b
1
, ako tzv. ich najlepch odhadov pomocou MN,
vychdza z prslunho tvaru elovej funkcie pre rozdiely dy / dx (obr..8.1). Potom bude
plati:
LRM
typ Y na x typ X na y
( )
( )

+

n
1 i
2
1 0
n
1 i
n
1 i
2 2
i
a a
i i
i i
y x
y Y dy ZY ( )
( )

+

n
1 i
2
1 0
n
1 i
n
1 i
2 2
i
b b
i i
i i
x y
x X dx ZX
( ) 0 a a 2
a
i
1 0
0
+
i i
y x
ZY
( ) 0 b b 2
b
i
1 0
0
+
i i
x y
ZX
( ) 0 a a 2
a
i
1 0
1
+
i i i
x y x
ZY
( ) 0 b b 2
b
i
1 0
1
+
i i i
y x y
ZX
FLOREKOV, BENKOV 53
xi Xi
) (pozitvna a a
1 0
x Y +
y
Y
i
dy
y
i
x
i
x
) (negatvna b b
1 0
y X +
y
dx
y
i
x
i
xx
7. Analza zvislost
potom
1
1
]
1
1
]
1
1
]
1
i i
i
i
i
y x
y
x x
x
1
0
2
i
a
a n

(X
T
X).a=(X
T
y)
potom
1
1
]
1
1
]
1
1
]
1
i i
i
i
i
x y
x
y y
y
1
0
2
i
b
b n
(Y
T
Y).b=(Y
T
x)
je sstava normlnych rovnc pre dve neznme

[ ] a a a
1 0
(X
T
X)
-1
.(X
T
y),
kde X=
1
1
1
1
]
1
n
2
1
1
1
1
x
x
x

, y =
1
1
1
1
]
1
n
2
1
y
y
y
.
[ ] b
1 0
(Y
T
Y).b=(Y
T
x)
kde Y =
1
1
1
1
]
1
n
2
1
1
1
1
y
y
y

, x =
1
1
1
1
]
1
n
2
1
x
x
x
.
Potom zvislosti
x Y
1 0
a a
+ y X
1 0
b
b

+
s najlepmi odhadmi LRM pre spracovvan hodnoty dvojc V{x
i
, y
i
}
n
, .
Pri dleitch LRM sa odhady
[ ] a
, resp. [ ] b
parametrov testuj na vznamnos

pomocou Studentovho testu, a uruje sa aj interval spoahlivosti pre LRM, tzv.
spoahlivostn, resp. tolerann ps. Spracovvan dvojice {x
i
, y
i
}, ktor sa umiestnia mimo
tohoto psu, s extrmne, nepatria do spracovania, o m neprjemn nsledok, pretoe je
potrebn tieto dvojice vyli a uri nov odhady parametrov opakova regresn lohu.
Obr.8.2 Spoahlivostn ps LRM
(Y
U
upper confidence limit, Y
L
- lower confidence limit,Y regression line)
Vhodnos nhrady hodnt V{x
i
, y
i
}
n
pomocou LRM sa zisuje na zklade korelanch
charakteristk, a to menovite:
- celkov rozptyl hodnt zvisle premennej
2
cel
s
( )

i
2 2
y
1
y y
n
s
i
,
( )

i
2 2
x
1
x x
n
s
i
,
- zvykov (rezidulny) rozptyl hodnt zvisle premennej
2
rez
s
( )
2
vyp
s
54 5
X x
Y U
s t + Y Y
x Y
1 0
a a +
Y
s t Y Y
L
TATISTICK METDY
( )
i
2
i
2
x y,
2
1
Y y
n
s
i
,
( )
i
2 2
y x,
2
1
i i
X x
n
s
,
t.j. pre p=2 urovan parametre LRM,
- teoretick (vyrovnan) rozptyl hodnt zvisle premennej
2
teor
s
( ) y Y y Y
n
i

pri ,
1
s
i
2 2
Y
,
( ) x X x X
n
i

pri ,
1
s
i
2 2
X
(V prpade n<30, pri
2
cel
s
a
2
rez
s
sa uvauj stupne vonosti = n 1.)
Oakva sa, e ak m by LRM vhodn pre spracovvan dta, potom by mala pribline
plati rozptylov rovnica
2
teor
2
rez
2
celk
s s s + .
V anglickej literatre, ktorej je u ns v sasnosti dostatok, sa uvdzaj charakteristiky:
( )

i
2
SSE
i i
Y y
Sum of Squared Error,
( )

2
i
2
i
1 1
MSE
i i
Y y
n
e
n
Mean Squared Error,

i i
y Y
1
MAD
n
Mean Absolute Deviation.
Kvalita regresnho modelu me by hodnoten poda toho, ako sa na celkovom
rozptyle podieaj rezidulny rozptyl a rozptyl vyrovnanch hodnt. Zvislos premennej y
na x bude tm silnejia, m v bude podiel rozptylu vyrovnanch hodnt na celkovom
rozptyle.
Index determincie
2
2
2
celk
teor
xy
s
s
I
v prpade funknej zvislosti nadobda hodnotu 1,
v prpade nezvislosti premennch x a y hodnotu 0. Index vynsoben 100 udva v %, ak
as rozptylu zvisle premennej vysvetuje zvolen regresn funkcia. Nzka hodnota indexu
determincie me by spsoben nielen nezvislosou premennch, ale aj nesprvne
zvolenm regresnm modelom!
V praxi sa pre meranie tesnosti zvislosti astejie pouva odmocnina indexu
determincie index korelcie
2
2
2
1
celk
rez
xy
s
s
I . Aj jeho hodnoty sa pohybuj v intervale
<0,1>.
Zjednoduenm indexu korelcie pre LRM je Pearsonov koeficient korelcie
y x
xy yx
s s
yx cov
r r r

, kde cov yx kovariancia je tzv. zmiean rozptyl oboch premennch
( ) ( )
n
y y x x
xy cov yx cov
i
i i

. Koeficient korelcie, ako relatvna miera vzjomnho
vzahu x a y je invariantn voi linernej transformcii hodnt x a y, a preto plat iba pre
LRM. Jeho hodnota sa pohybuje v intervale <-1,1>. V prpade, e r = 0, neexistuje vzjomn
vzah medzi x, y, je chaotick. V prpade zpornch hodnt r, je vzah negatvny s rastom
hodnt jednej premennej hodnoty druhej klesaj. V prpade kladnch hodnt r, je vzah
pozitvny s rastom hodnt jednej premennej rast aj hodnoty druhej.
FLOREKOV, BENKOV 55
7. Analza zvislost
LRM oboch typov tvoria tzv. zdruen regresn modely (obr.8.3). Spolu vytvraj
tzv. korelan nonice. m s tieto viac otvoren, tm je r men, a naopak. V prpade, e
r = t 1, stva sa tatistick zvislos funknou. Za dobr RM sa povauje, ak r > 0,7 (0,8).
Za vyjadren trend k LRM sa povauje ten, ak r > 0,4.
Pre dleit zvery, vyplvajce z nhrady {x
i
, y
i
}
n
LRM, sa testuje koeficient korelcie
na vznamnos pomocou Fisherovej transformcie kritickch hodnt r.
Obr.8.3 Zdruen regresn modely korelan nonice
Pre mal vbery, vzhadom na problematick oprvnenie vyjadrova sa k dvoj-
rozmernmu normlnemu rozdeleniu hodnt x, y, odpora sa vypotava tzv. Spearmanov
poradov (rankov) koeficient korelcie
] 1 [
6
1 R
2
i
2
i
n n
d
, kde d
i
je rozdiel hodnt porad
premennch x, y, usporiadanch poda vekosti. Strca sa tu teda vplyv vekosti hodnt x, y,
uvauje sa iba o zhode poradia tchto hodnt. Hodnota R sa interpretuje rovnako, ako r
(miera zhody porad sa niekedy posudzuje pomocou konkordancie N.)
alm dleitm ukazovateom hodnotenia vlastnost LRM je Fisherova charak-
teristika adekvtnosti
2
rez
2
celk
ad
s
s
F
, ktor m by o najvia, teda
2
rez
s m by o najmenie,
o sa hodnot F testom (testuje sa H
a
o tom, e 0
2
rez
2
celk
s s ), resp. jej recipron hodnota,
koeficient determincie R
2
. (Pozor na zmenu so Spearmanovm koeficientom korelcie.)
56
zborten hyperbolick
typy (x, x/ y)
x
y
y
Y y
X x
x
Y
X
Y
r = 0,8
y X
Y
r = 0
X Y
r = -1
x
TATISTICK METDY
Pre porovnvanie zhody dvoch, resp viacerch LRM (pri opakovanch vberoch) sa
testuj nulov hypotzy na ich rovnobenos H
0
: a
11
- a
12
= 0, resp. b
11
- b
12
= 0 a nulov
hypotzy na rovnak absoltny len, H
0
: a
01
- a
02
= 0, resp. b
01
- b
02
= 0.
Pre lepiu vizualizciu spracovvanch a vypotavanch hodnt zvisle premennej sa
odpora zvl hodnoti rezdu e
y
voi X, resp. e
x
voi Y (absoltne pre hodnotenie trendu a
relatvne pre zistenie, i neprekrauj kritick hodnoty), pomocou ich grafov a vykresli tie
korelogram, teda vzah y-Y, resp. x-X prslunho LRM (obr.8.4).
Obr.8.4 Grafy rezdu e = y Y a korelogram y/Y pre LRM
Diagnza rezdu roziruje monosti zvenia vypovedacej schopnosti kvantitatvnych
korelanch charakteristk.
8.3.2 Nelinerne regresn modely NLRM
Vber vhodnch typov NLRM na zklade vykreslenho bodovho diagramu nie je vdy
jednoduch. Ako pomcku mono zostavi niekoko typickch priebehov (obr.8.5) a pre ne
potom prepota vhodn modely priamo pomocou MN (linerne v parametroch) alebo ne-
priamo (po ich prave linearizciou).
Zkladn prehad najpouvanejch typov NLRM je v tabuke 8.1, v lenen polyno-
mick typy P (do stupa 4-5), mocninn typy M, exponencilne typy E, hyperbolick typy
H, logistick typy L, prpadne niektor zloen typy Z, ktor sa spravidla rieia pomocou tzv.
stepwise procedr, teda krokovm vberom vznamnej mnoiny zvislost, resp. pomocou
tzv. spline metd, vyhadvanm prekrvajcich sa zvislost pre urit intervaly
spracovvanch hodnt.
FLOREKOV, BENKOV 57
y
polynmy 2.stupa
(x, y)
x
y
polynmy 2.stupa
(x, y)
x
y
polynmy 3.stupa
(x, y)
x
zborten hyperbolick
typy (x, x/ y)
trend v rezduch,
vie hodnoty
obsahuj vie
chyby, LRM nie je
vhodn
cyklick kolsanie
rezdu, vplyv asu
dobr korelogram,
pravideln
oscilovanie +/-
hodnt okolo
uhloprieky
e
y
X
e
y
X
Y
e
y
45
tatisticky nezvisl
rezdu
zvolen RM nie je
linerny
prevaha negatvnych
rezdu
e
y
X
e
y
X
e
y
X
7. Analza zvislost
Obr.8.5 Niektor zkladn typy nelinernych zvislost medzi dvoma premennmi
58
y
hyperbolick typy
(y, x
-1
, / x, y
-1
)
x
y
zborten hyperbolick
typy (x, x/ y)
y
hyperbolick typy
(y, x
-1
x
-2
)
x
y
exponencilne typy
(ln x, ln y)
x
y
mocninn typy
(m = 0,5-2)
x
y
exponencilne typy
(log x, log y)
x
a
0
y
logistick typy
(odhad a
0
)
x
y
typy kriviek ivotnho cyklu
(splineov)
y
exponencilny stov
typ (odhad a
0
)
(x, ln ( y a
0
)
TATISTICK METDY
Tab.1 Vzahy pre vpoty NLRM pomocou MN
Typ NLRM
Linearizcia
Transformcia
Tvar elovej funkcie Sstava normlnych rovnc
P2:
2
2 1 0
a a a Y x x + +
kvadratick, 2.stupe
-
( )
2
i
i
2
2 i 1 0
a a a
+ + y x x

4
i
3
i
2
i
3
i
2
i i
2
i i
n
x x x
x x x
x x
i
2
i
i i
i
y x
y x
y
P3:
3
3
2
2 1 0
a a a a Y x x x + + +
kubick, 3.stupe
-
( )
2
i
i
3
i 3
2
i 2 i 1 0
a a a a
+ + + y x x x

6
i
5
i
4
i
3
i
5
i
4
i
3
i
2
i
4
i
3
i
2
i i
3
i
2
i i
n
x x x x
x x x x
x x x x
x x x
i
3
i
i
2
i
i i
i
y x
y x
y x
y
M1: x
0
a Y -
( )
2
i
i i 0
a
y x
i
x
i i
x y
M2:
m
1 0
a a Y x + , m-dan -
( )
2
i
i
m
i 1 0
a a
+ y x
2m
i
m
i
m
i
x x
x n

i
m
i
i
y x
y
M3: ( )
2
1 0
a a Y x + x Y
1 0
a a +
( )
+
i
2
i i 1 0
y x a a

2
i i
i
x x
x n
i i
i
y x
y
E1:
1
a
0
a Y x x log a a log Y log
1 0
+
( )
2
i
i i 1 0
y log x log a a log
+

i
2
i
i
x log x log
x log n
i i
i
y log x log
y log
E2:
x
x
1
a
0
a Y x log x a a log Y log
1 0
+
( )
+
i
2
i i i 1 0
y log x log x a loga

i
2 2
i i i
i i
x log x x log x
x log x n
i i i
i
y log x log x
y log
E3:
1
a
0
a
x
Y x Y log a a log log
1 0

( )

i
i i
y x
2
1 0
log log a a log

i i
i
x x
x
2
log log
log n
i i
i
y x
y
log log
log
FLOREKOV, BENKOV 59
8. Analza zvislost
Typ NLRM
Linearizcia
Transformcia
E4:
x
Y
1 0
a a
1 0
a log a log log x Y +
( )
+
i
2
1 0
log a log a log
i i
y x

2
n
i i
i
x x
x
i i
i
y x
y
log
log
E5:
x
Y
1
a
0
e a x Y
1 0
a a ln ln +
( )
2
i
1 0
ln a a ln
+
i i
y x

2
n
i i
i
x x
x
i i
i
y x
y
ln
ln
E6:
x
Y
1 a
e a
0
x
Y
1
0
a
a ln ln +
2
i
i
i
1
0
y ln
x
a
a ln
,
_

2 1 -
i
1
n
-
i
i
x x
x
i i
i
y x
y
ln
ln
1
E7: x
Y
1
1 0
a a
x
Y
1
0
a log
a log log +
2
i
1
0
log
a log
a log
,
_
+
i
i
y
x

2 1 -
i
1
n
-
i
i
x x
x
i i
i
y x
y
log
log
1
H1:
,
_
+ +
2
2 1
0
a a
a
x x
Y -
2
i
i 2
i
2
i
1
0
a a
a
,
_
,
_
+ + y
x x
( )
( ) ( ) ( )
( ) ( ) ( )

4 3 2
3 2 1
2 1
n
i i i
i i i
i i
x x x
x x x
x x
( )
2 -
i i
1 -
i i
x y
x y
y
i
H2:
( )
2
2 1 0
a a a
1
x x
Y
+ +
( )
2
2 1 0
a a a
1
x x
Y
+ +
pri y 0
( )
2
i
2
i 2 1 0
1
a a a
,
_
+ +
i
i
y
x x
( )
( )
( ) ( ) ( )

4
i
3
i
2
i
3
i
2
i i
2
i i
n
x x x
x x x
x x
( )
2
i
1
i
1
x
x
i
i
i
y
y
y
H3:
x
Y
+
1
0
a
a
grafu z
a odhady 0, pri
a
a
T
*
0
1
0
+
y
x
Y
2
i i
*
0
i 1
a
a
,
_
+
y
x n

i
i
*
0
1
a x
y
H4:
x
x
Y
+
1
0
a
a
grafu z a odhady
a
a
*
0
1
0
x
Y
x
+
2
i i
i *
0 i 1
a a
,
_
+
y
x
x n
i
i
i *
0
a x
y
x
60
TATISTICK METDY
Typ NLRM
Linearizcia
Transformcia
H5:
x
x
Y
1 0
a a +

0 pri
a a
1 0
+
y
x
y
x 2
i i
i 1 0
a a
,
_
+
y
x
x
i
i

2
i i
i
n
x x
x
i
2
i
i
i
y
x
y
x
L1:
x
Y
2
a
1 0
e a a +
x T
Y T
x
2 1
*
0
a
1 0
a a ln ln
grafu z a odhady
e a a
2
+

( )
2
i
i i 2 1
ln a a ln
+ t x

2
i i
i
n
x x
x
i i
i
ln
ln
t x
t
L2:
x
Y
2
a
1
0
e a 1
a
+
x a T
Y
T
x
2
0
a 0
ln
grafu z a odhad
e 1
a
2

,
_

( )

i
2
i i 2
ln a t x

2
i
x

i
x t
i
ln
Z1: x Y log a a
1 0
+
grafu z a odhady
log a a
*
0
1 0
x Y T
( )
2
i
i 1
log a
t x
i
i
2
log x
i
x t log
i

Z2:
x x
x x
x x x Y

+ + + + + + + e a e a
1
a
1
a a a a a
7 6 2 5 4
2
3 2 1 0
2
1
(pln)
(pre rieenie step-wise procedrou, hodnotenie vznamnosti koeficientov)
FLOREKOV, BENKOV 61
8. Analza zvislost
Hodnotenie vhodnosti NLRM sa vykonva obdobne, ako pri LRM. Znova sa potaj
vetky tri rozptyly pre zvisle premenn Y, teda
2
teor
2
rez
2
celk
, ,s s s a skontroluje sa platnos
rozptylovej rovnice.
Pota index determincie I
2
a , ale index korelcie
2
celk
2
rez
1
s
s
I . Pre dobr NLRM sa
poaduje I > 0,6, vyjadren trend pre prslun typ NLRM je pri I > 0,3.
Z rozptylovej rovnice (ak plat) vyplva, e
2
teor
2
celk
2
rez
s s s , take po dosaden do
predchdzajceho vzahu zskame
2
celk
2
teor
p
s
s
I , tzv. priblin index korelcie. (Je dobr ho
vypota, pretoe v prpade nevhodnho typu NLRM pre spracovvan dta je
2
cel
2
teor
s s > ,
take priblin index bude v ako 1, mimo interval jeho platnosti.) Plat pravidlo, e rast
2
teor
s spsobuje pokles
2
rez
s a naopak.
Odpora sa vypota aj Fisherovu charakteristiku adekvtnosti, rovnako ako pri
LRM.
Niektor autori odporaj vykona aj tzv. Blakemanov test linearity NLRM, teda
stupe odchlenia sa prslunho typu NLRM od LRM.
Pri vbere najvhodnejieho typu NLRM z prepotanch monch typov je najlepie
pridriava sa minimlneho stu porad hodnoten (pri rovnakom celkovom rozptyle):
minimlny rezidulny rozptyl,
minimlny teoretick rozptyl,
najvia hodnota presnho indexu korelcie,
najvia hodnota priblinho indexu korelcie,
najvia hodnota charakteristiky adekvtnosti F,
najmen poet urovanch parametrov,
najjednoduch typ (tvar) modelu, logicky odpovedajci vzahu premennch.
Rovnako ako pri LRM, aj tu je vhodn vykresli okrem grafu NLRM aj diagramy
rezdu a korelogram. Diagramy rezdu, vdy e
y
, je mon zobrazi voi x
i
/Y
i
, ale nikdy nie
voi y
i
, na ktorch s samozrejme zvisl.
Regresn modely pre viac premennch
Mnohokrt je potrebn sledova vplyv viacerch (nezvislch) premennch na jednu
(zvisl) premenn z vberov hodnt {x
ij
,y
i
}, i = 1,,n; j = 1,,k. Tento vzjomn vzah
me by v parametroch linerny alebo nelinerny.
Mnohonsobn linerny regresn model MNLRM m tvar:
k k 2 2 1 1 0
a a a a x x x Y + + + +
Mnohonsobn linearizovaten regresn model MNLRM m tvar:
k 2 1
a
k
a
21
a
1 0
a x x x Y , ( pre rieenie
k k 2 2 1 1 0
log a log a log a a log log x x x Y + + + +
), alebo
k k 2 2 1 1
a a a
0
e e e a
x x x
Y , (pre rieenie
k k 2 2 1 1 0
a a a a ln ln x x x Y + + + +
).
62
TATISTICK METDY
Uri najlepie odhady vektorov parametrov a
je mon rznymi pravami metdy
najmench tvorcov, najastejie sa pouvaj :
klasick metda najmench tvorcov
( )

i
2
i i
Z y Y
, ktor vedie k sstave rovnc (X
T
X)a=X
T
y, kde X je dtov
matica, y je dtov vektor, a je vektor urovanch parametrov MLRM,
1
1
1
1
1
]
1
nk n2 n1
2k 22 12
1k 12 11
1
1
1
x x x
x x x
x x x
X
,
1
1
1
1
1
]
1
n
2
1
y
y
y
y
, [ ]
k 2 1 0
T
a a a a a ,
metda centrovania
2
i i
n n
Z

,
_
y y y Y
, ktor vedie k sstave normlnych rovnc
c b C
T
. , kde C je varianno-kovariann matica, c je kovariann vektor,
1
1
1
1
1
]
1
2
x
2
x x
2
x x
2
x x
2
x
2
x x
2
x x
2
x x
2
x
k k 2 k 1
k 2 2 2 1
k 1 2 1 1
s s s
s s s
s s s
C
,
1
1
1
1
1
]
1
2
y x
2
y x
2
y x
k
2
1
c
s
s
s
,
[ ]
k k 2 2 1 1 0
k 2 1
T
a a a a
a a a
x x x y
b
metda normovania
2
i y
i
y
i
Z

,
_
s
y y
s
y Y
, ktor vedie k sstave normlnych rovnc
r B R
T
, kde R je korelan matica, r je korelan vektor
1
1
1
1
1
]
1
1
1
1
k 2 k 1
k 2 2 1
k 1 2 1
x x x x
x x x x
x x x x
r r
r r
r r
R
,
1
1
1
1
1
]
1
y x
y x
y x
k
2
1
r
r
r
r
,
[ ]
. a a a a
, B a
, B B B
k k 2 2 1 1 0
x
y
i i
k 2 1
T
i
x x x y
s
s

B
Z hadiska konenho vsledku je jedno, ktor z metd sa pouije. Hodnoty vektora
parametrov musia by vdy tie ist. Z hadiska informanej obsanosti m vak kad
postup svoje vhody, resp. nevhody.
Najvyiu vypovedaciu schopnos m korelan matica R. V prpade, e medzi
sledovanmi parametrami naozaj plat linerny mnohonsobn vzah, potom by mala by
jednotkovou maticou, malo by plati R-I=0. (Hodnoty koeficientov korelcie mimo hlavnej
diagonly by sa mali bli nule, teda medzi nezvislmi premennmi by nemala existova
korelcia.) Ak ale korelcia medzi nimi existuje, potom MLRM nie je vhodn poui a treba
FLOREKOV, BENKOV 63

8. Analza zvislost
hada model in, napr. MRLM s interakciami, alebo mnohonsobn kvadratick regresn
model, resp. mnohonsobn pln regresn model, aj s interakciami aj s kvadratickmi
lenmi + + + + + + + + + + +
+ + + + + 3 1 2 2k 2 1 1 2k
2
k k k
2
2 2 k
2
1 1 k k k 1 1 0
a a a a a a a a x x x x x x x x x Y
teda Ax x x
T T
0
a a Y + + . Okrem toho, korelan vektor r priamo udva hodnoty parcilnych
iastkovch koeficientov korelci medzi jednotlivmi nezvisle premennmi a zvisle
premennou, o je vznamn pre celkov posdenie MLRM.
Kovariann matica C informuje o presnosti jednotlivch nezvislch premennch.
V prpade homoskedasticity by na hlavnej diagonle mali by vetky rozptyly rovnak, malo
by plati C C
diag
0. Kovariancie by sa v prpade vhodnosti MLRM mali bli nule.
Prve pre tieto vlastnosti matc R a C sa odpora ich pouitie, pretoe je to spsob,
ako odhali medzi nezvisle premennmi multikolinearitu.
Hodnotenie korelcie sa aj pri MLRM vykonva pomocou rozptylov
2
teor
2
rez
2
celk
s , s , s .
Ako hlavn korelan charakteristika sa vypota mnohonsobn koeficient korelcie
0,1 r ,
s
s
1 r
2
celk
2
rez
x , x x y,
n 2 1

, resp. jeho druh mocnina,
2
x , , x , x y,
k 2 1
r

, koeficient
mnohonsobnej determincie, ako aj Fisherova charakteristika adekvtnosti.
Kvli nemonosti vykresli MLRM pre viac ako 2 (plochy), resp. 3 (teles) premenn,
sa povinne robia grafy rezdu a korelogramy.
Hodnotenm rezdu pomocou Durbin-Watsonovho testu je mon zisti autokorelciu
hodnt, o znamen, e takto dta je potrebn spracova ako asov rady, kee as je
urujci pre ich vznik.
Prve pre uveden problmy je vemi komplikovan njs vhodn mnohonsobn
regresn modely.
Newbold odpora dodra tzv. MALTHUS postup, t.j. overi:
1. MULTICOLINEARITY,
2. AUTOCORRELATION,
3. LACK of DATA nevhodnos, nepouitenos, nedostatonos dt,
4. TIME (and COST CONSTRAINT) obmedzenia zvisl na ase a na nkladoch
na zskanie dt,
5. HETEROSCEDASTICITY nerovnak presnos dt, rzne rozptyly,
6. UNDERIDENTIFICATION vplyv vekho potu premennch, vekej sstavy
rovnc, zlej podmienenosti matc,
7. SPECIFICATION problm s vberom/urenm dleitch, relevantnch,
podstatnch premennch.
64

TATISTICK METDY
8.4 Kvalita regresnch modelov
Miera kvality vytvranch regresnch modelov, ktor boli pouit ako nhrada za
vbery dt, zvis na dodran postupnosti:
Dobr odhad by mal ma:
vznamn parametre,
ahk a logick interpretciu,
dostaton stupe vonosti,
primeran presnos predpovede,
dostaton robustnos,
nzke nklady na zskavanie dt a aktualizciu.
Robustn tatistika sa d poui aj pri urovan parametrov RM. Vhy
spracovvanch hodnt je mon upravi tak, aby sa zamedzilo vekmu vplyvu extrmnych
hodnt, pomocou dvojitho venia:
Vypota sa prslun RM, jeho parametre, a Y
i
(vhy = 1),
uria sa rezdu y
i
Y
i
,
rezdu sa normuj
s
Y y
z
3.
i i
i

,
(s niektor charakteristika rozptlenia, napr. tandardn odchlka, alebo
medzikvartilov rozptie vetkch rezdu IQR),
vhy
1 z ak ,
1 z ak ,
0
) z (1
w
2 2
i
>

sa pouij v SNR, vsledkom s robustn parametre aj
Y
ir
,
opakova postup od 2. dovtedy, a nedochdza k podstatnmu zlepeniu/minimalizcii
rezdu.
FLOREKOV, BENKOV 65
pecifikcia
typu modelu
Odhad
parametrov
Interpretcia
modelu
Verifikcia
modelu
+
Dta RMj

overenie vber RM interpretcia
test vznamnosti
-
zobrazenie
9. asov rady
9. asov rady
asov rad R je postupnos vecne a priestorovo porovnatench dt, jednoznane
usporiadanch z hadiska asu v smere minulos prtomnos R {x
i
,t
i
}
n
. R je teda
dvojrozmern (najmenej, ale aj viacrozmern pri alch premennch) vber dt, kde nejak
nhodn premenn je jednoznane viazan na as, resp. tvor s asom, v ktorom vznikla,
neoddeliten dvojicu (k-ticu).
R s neoddelitenou sasou najrozmanitejch oblast ivota (priebeh pracovnch
velin rznych technolgi, seizmick, geofyziklne, biologick zznamy, meteorologick
zznamy, zznamy o zneisten pdy, vody, ovzduia, demografick dta, ekonomick dta
objem produkcie, dopyt po vrobkoch, kapacity dopravnch systmov, pean toky, ceny
akci, ).
Analza R je sbor metd sliacich k popisu minulho sprvania R, prpadne
k predvdaniu jeho budceho sprvania. Metdy analzy dt R s
subjektvne (intuitvne) a objektvne,
kvantitatvne (hodnotov), kvalitatvne (tatistick) a kauzlne (prinn).
Voba metdy analzy R mus by vyhovujca v zmysle vybalansovania vzahov:
Dta tvoriace R mu by:
diskrtne (svojou povahou) roda, peniaze, poet nepodarkov,
diskretizovaten (spojit) teplota, EKG, EEG, seizmick zznamy,
kumulovan (agregovan za ist obdobie) zrky, vroba, zsoby.
Kategrie R sa delia z hadiska:
asovho na intervalov a okamihov,
periodicity na dlhodob a krtkodob,
druhu na absoltne a relatvne,
spsobu vyjadrenia na materilne (vecn) a pean (finann).
Intervalov R je rad hodnt intervalovho ukazovatea jeho vekos zvis na
dke intervalu, poas ktorho bol sledovan. Hodnoty takhoto R m zmysel agregova
stavanm. Jednotliv intervaly maj by rovnako dlh, pokia nie s, napr. ak intervalom je
jeden mesiac, tak pre zaistenie porovnatenosti dajov je potrebn prepota hodnoty R na
66
zloitos
EXPERTZY MATEMATICK MODELY
ANALZA R subjektvnos objektvnos
jednoduchos
METDY
EXTRAPOLCIA
KVANTITATVNE KVALITATVNE
INTUCIA
TATISTICK METDY
jednotkov asov interval (priemern poet kalendrnych, resp. pracovnch dn v mesiaci)
t.j. oisti R od dsledku tzv. kalendrnych varici.
Okamihov R zostavovan z hodnt ukazovateov, ktor sa vzahuj k uritmu
okamihu, agregovanie stavanm nem zmysel, rob sa pomocou jednoduchch resp.
vench chronologickch priemerov.
Periodicita R radu je asov rozptie medzi rozhodujcimi okamihmi u
okamihovho asovho radu, resp. dka obdobia u intervalovho asovho radu. Ak je toto
asov rozptie kratie ako jeden rok, jedn sa o krtkodob asov rad. pecilnym
druhom krtkodobch vysokofrekvenn R, ktorch hodnoty s monitorovan s dennou,
niekedy a s hodinovou periodicitou. Ak je periodicita ron, prpadne dlhia, jedn sa
o dlhodob asov rad. Toto rozlenie je vemi dleit z hadiska metodickch postupov
vyuvanch pre popis a analzu asovch radov
Rzne R meme porovnva z hadiska
- vecnho (porovnatenos toto istho typu dt s odstupom asu),
- priestorovho (zemnho),
- asovho (problm kalendra, dky sezny),
- cenovho (pri aktulnych, bench cench, resp. pri fixovanch stlych cench
k uritmu dtumu).
9.1 Modelovanie asovch radov
Zkladn jednorozmern model asovho radu, ak predpokladme, e jedinm
faktorom dynamiky asovho radu je as, je mon napsa v tvare
) , (
t t
I t f y
, kde t
y
je
hodnota modelovanho ukazovatea v ase t,
n t , , 1
,
t
I
je hodnota nhodnej zloky v ase
t. K jeho modelovaniu je mon pristupova pomocou: klasickho (formlneho) modelu, Box-
Jenkinsovej metodolgie alebo spektrlnej analzy.
Popri jednorozmernch modeloch asovch radov s pouvan aj viacrozmern
modely, u ktorch sa predpoklad, e vvoj sledovanho ukazovatea neovplyvuje len
asov faktor, ale aj in ukazovatele. Takto viacrozmern model, ktor zaha aj
ukazovatele
n
x x x , , ,
2 1

je mon zapsa v tvare
) , , , , , (
2 1 t n t
I x x x t f y
.
Box-Jenkinsova metodolgia povauje za zklad kontrukcie modelu asovho radu
nhodn zloku, ktor me by tvoren zvislmi nhodnmi veliinami. Pre jej uplatnenie
je potrebn asov rad, ktor m aspo 50 hodnt. Poznme model kzavch stov MA,
autoregresn modely AR, zmiean modely ARMA, at.
Modelovanie asovho radu pomocou spektrlnej analzy vyuva Fourierove
rady, teda R popisuje ako zmes snusoviek a kosnusoviek s rozlinmi amplitdami
a frekvenciami. Takto postup sa preto pouva tam, kde potrebujeme modelova periodick
chovanie asovho radu.
Klasick model asovho radu vychdza z dekompozcie asovho radu na tyri
zloky (nie v kadom asovom rade je mon njs vetky tyri zloky):
T
t
- trendov zloka (trend), charakterizujca dlhodob tendenciu, zmeny v priemernom
sprvan R,
C
t
- cyklick zloka (cyclical), vyjadrujca fluktucie okolo trendu, s rznou dkou
cyklu, s rznou rchlosou zmien vo fzach rastu a poklesu hodnt R,
S
t
- seznna zloka (seasonal), periodick zloka, pravidelne sa v priebehu uritho
obdobia (cykly) opakujca,
FLOREKOV, BENKOV 67
9. asov rady
I
t
- nepravideln (irregular), nhodn (random), zvykov (residual), chybov (error)
zloka, ktor zostva v asovom rade aj po odstrnen T,C, S zloiek, tvoria ju
nhodn vplyvy, nem rozpoznaten charakter,
priom tvar modelu me by:
aditvny:
t t t t t
I S C T Y + + +
(v praxi sa astejie pouva.), a
multiplikatvny:
t t t t t
I S C T Y ( )
t t t t t
log log log log log I S C T Y + + +
kde Y
t
- s oakvan, teoretick hodnoty (zvisle premennej Y) R.
Typick priebeh aditvneho R a jeho dekompozciu zobrazuje obr. 9.1.
Obr.9.1 Aditvny rozklad R
68
T
t
t
1970 1980
t
C
t
t
S
t
t
T
t
+C
t
t
T
t
+C
t
+S
t
t
I
t
t
T
t
+C
t
+S
t
+I
t
TATISTICK METDY
Cieom dekompozcie R pre tie najjednoduchie lohy je odhadn zkladn trend R
a predpoveda dta R aspo o jeden asov krok do budcnosti. Tieto zkladn lohy
vyaduj primeran rozsah dt. Pri vemi dlhch R vznik riziko, e dta podstatne menia
charakter. Pri vemi krtkych R existuje riziko, e dta nestaia vystihn charakteristick
priebeh. Pri spracovan R sa preto rob poda potreby kompromis zhusovanie,
zrieovanie asovch intervalov, voba ekviditannch, neekviditannch krokov.
9.2 Analza trendovej zloky
K najdleitejm lohm analzy R patr popis tendencie ich vvoja, teda ich
trendovej zloky. Trendov zloku R je mon zska viacermi spsobmi. Meme ich
rozdeli na:
jednoduch grafick metdy (subjektvne):
metda vybalancovania vkyvov,
metda spriemerovania cyklov,
metda stu plch trojuholnkov,
analytick vyjadrenie trendu pomocou trendovch funkci, kedy sa cel asov rad
vyrovnva naraz, jednou funkciou,
adaptvne prstupy, kedy sa vyrovnvanie uskutouje postupne v kratch obdobiach:
exponencilne vyrovnvanie,
metda kzavch priemerov.
9.2.1 Grafick metdy odhadu trendu R
Jednoduch metdy grafickho odhadu priebehu trendu Tr
t
asovho radu slia ako podklad
pre vpoet trendu objektvnymi metdami. Pomocou tchto grafickch metd sa
zabezpeuje tzv. oistenie R od fluktuci okolo trendu.
Metda vybalansovania hornch a dolnch vkyvov R spova v spriemerovan
dvoch a dvoch hodnt R a vykreslen iary odhadu trendu (obr.9.2).
Obr.9.2 Grafick metdy urenia trendu R
FLOREKOV, BENKOV 69
Vybalancovanie vkyvov Spriemerovanie cyklov
9. asov rady
Metda spriemerovania cyklov v R spova v njden cyklov v R a spojen
priemernch strednch hodnt nbehu a dobehu kadho cyklu (obr.9.2)
Metda stu plch trojuholnkov nad a pod odhadom trendu spova v hadan
takho polynmu trendu, kde by

+

.
9.2.2 Analytick vyjadrenie trendu pomocou trendovch funkci
Z existujcich trendovch funkci v praxi medzi najpouvanejie, a to tak pre analzu
ako i prognzu asovch radov, patria: linerny, parabolick, exponencilny,
modifikovan exponencilny, logistick trend a Gompertzova krivka. Prv tri patria
medzi funkcie jednoduch, nemaj asymptotu a ich rast je neobmedzen. alie tri maj
asymptotu a preto s vemi vhodn k modelovaniu javov vychdzajcich z obmedzench
zdrojov, u ktorch
existuje urit hranica nastenia.
Najpouvanejou metdou odhadu parametrov trendovch funkci je metda
najmench tvorcov, ktor je pouiten v prpade, e vybran trendov funkcia je linerna
v parametroch. Jej vhodou je jednoduchos a minimalizcia rozptylu rezidulnej zloky.
Z uvedench funkci je vhodn priamo pre linerne a parabolick funkcie. V prpade
exponencilnej funkcie je potrebn najprv funkciu transformova tak, aby bola linerna
z hadiska parametrov. Pre odhad parametrov alch funkci modifikovan exponencilny
trend, Gompertzova krivka, Logistick krivka, sa vyuvaj metda aprirnej informcie,
metda vybranch bodov, metda iastonch stov, metda vntornej regresie, i
metda postupnho zlepovania rieenia (Seger, Hidls, 1993).
Pre kontantn trend plat
y Tr
0 t
a
, t = 1, 2, , n,
Predpove Y
T
= a
0
Pre linerny trend plat:
t Tr
1 0 t
a a +
, t = 1, 2, , n,
a
0
, a
1
vpoet ako pri LRM
Predpove Y
T
= a
0
+a
1
T
Pre kvadratick trend plat:
(ak y
t+2
2y
t+1
+ y
t
kont.)
2
2 1 0
a a a t t Tr
t
+ + , t = 1, 2, , n
a
0
, a
1
vpoet ako pri polynme 2.stupa
Predpove
2
2 1 0 T
a a a T T Y + +
70
a
0
y
t
y
t
y
t
TATISTICK METDY
Pre exponencilny trend plat:
(ak
kont.
y
y
t
1 t
+
)
t
Tr
1 0 t
a a , t = 1, 2, , n, a
1
> 0
a
0
, a
1
, a
2
vpoet ako pri exponen. modeli
Predpove
T
Y
1 0 T
a a
Pre logistick trend (S-krivka, rastov
krivka)
plat:
t
Tr
2 1
0
t
a a 1
a
+
, t = 1, 2, , n, a
1
> 0, a
2
> 0,
2
1
a log
a log
t
Predpove
T
2 1
0
T
a a 1
a
Y
+
Pre modifikovan exponencilny trend

plat:
t
2 1 0 t
a a a Tr + , t = 1, 2, , n, a
2
> 0,
pri odhade a
0
z grafu
Predpove
T
2 1 0 T
a a a Y +
Pre tzv. Gompertzovu krivku plat:
t
Tr
2 1 0 t
a a a log + , t = 1, 2, , n, a
2
> 0,
inflexn bod pre
2
1
a log
) a ( log
t
Predpove
T
Y
2 1 0 T
a a a log +
Pre tzv. spline trend,
ak sa men charakter R, rozdel sa tento na
seky. Kad sek sa nahrad trendovou
krivkou, pospjaj sa krivky tak, aby sa ich
prepojenia prekrvali.
FLOREKOV, BENKOV 71
y
t
y
t
y
a
0
t
IB
y
a
0
t
y
a
0
t
IB
y
t
9. asov rady
Vhodn typ trendovej funkcie je mon vybera pomocou interpolanch kritri, t.j.
zklade analzy chovania asovho radu v minulosti, a to:
Vecnej analzy skmanho ekonomickho javu. asto je mon posdi, i sa jedn
o funkciu rastcu, alebo klesajcu, i prichdza do vahy existencia inflexnho bodu,
alebo i ide o funkciu nekonene rastcu, nekonene klesajcu, prpadne s rastom len ku
konenej limite a pod. To umouje orientcia na urit skupinu trendovch iar.
Analzy grafu asovho radu. Nebezpeie vizulneho vberu je v jeho subjektivite, tvar
grafu je tie do vekej miery zvisl na pouitom mertku.
Vpotu hodnt mier spenosti trendovej funkcie:
minimlny set tvorcov rezdu
( )

n
1 t t
2
t
2
t t
e Tr y S min
,
kde y
t
skuton hodnoty, Tr
t
vypotan hodnoty,
minimlna stredn kvadratick chyba odhadu
( )

t
2
t t y
2
Tr y
n
1
s
,
minimlna priemern absoltna chyba odhadu

t
t t
2
y
Tr y
n
1
s
,
minimlna priemern percentulna absoltna chyba odhadu

t t
t t
y p
y
Tr y
n
100
s
[%],
minimlna priemern chyba odhadu
( )

y
t t y
Tr y
n
1
s
,
minimlna priemern percentulna chyba odhadu

t t
t t
y p
y
Tr y
n
100
s
[%].
Fisherovej charakteristiky adekvtnosti.
Analzy diferenci asovho radu (Hindls et al. 1997), vi tab. 2.
Tab.9.1 Vber vhodnho typu trendu pomocou charakteristk R
Charakteristika
R
Priebeh
charakteristiky
v ase
Vhodn typ trendu
1.diferencie
1
t
2.diferencie
2
t
pribline kontantn
rovn nule
Linerny
1.diferencie
1
t
2.diferencie
2
t
3.diferencie
3
t
linerny trend
pribline kontantn
rovn nule
Parabolick
temp rastu
t
k
pribline kontantn Exponencilny
1
log
t
linerne kles Modifik. exponencilny
) / log(
1
t t
y linerne kles Gompetzova krivka
) / log(
2 1
t t
y linerne kles Logistick
72
TATISTICK METDY
diferencia 1.rdu: n t y y
t t t
, , 2 ,
1
1

,
diferencia 2.rdu:
2 1
1
1
1 2
2

+
t t t t t t
y y y , at.,
tempo rastu (koeficient rastu)
n t
y
y
k
t
t
t
, , 1 ,
1

.
Metdy modelovania R s zaloen na princpe ceteris paribus, teda na princpe:
budcnos vyplva z minulosti (pri relatvne stabilnom prostred), preto mu sli aj pre
predpovedanie, predikciu, prognzu, teda extrapolciu dt. Predpove (forecast) je
z historickch dt R vypotan (objektvny) daj (bodov, intervalov) pre nasledujci,
budci asov bod (sek), spravidla z krtkeho asovho radu. Predikcia je z historickch
dt primerane dlhho R odhadnut (subjektvny), napr. grafick daj pre nasledujci asov
krok. Prognza je z dlhodobch historickch dt R odhadnut daj pre vzdialen asov
horizont. Dobr extrapolcia (predpove, predikcia, prognza) R, dobr odhad dt pre
budcnos, je silne zvisl na type R. Ak je teda zmyslom popisu trendu v asovom rade
kontrukcia extrapolanch prognz budceho vvoja, je vhodnejie vyuva extrapolan
kritri. Najastejie je spsob pouitia extrapolanch kritri zaloen na simulcii.
Simulcia spova v tom, e z analyzovanho R oddelme niekoko poslednch hodnt,
z ostatnch vypotame trend a jeho vhodnos posudzujeme poda toho ako dobre doke
extrapolova nepouit as radu. Nie vetky modely trendu, ktor dobre popisuj minulos,
musia by spen aj pri tvorbe prognz. Poda Hindlsa et al. (1997) je pre extrapolciu
vhodnch iba 50-60 % modelov. Mierami prognostickej kvality modelu s najastejie
koeficienty nesladu. Jedn sa o neslad medzi simulovanou predpoveou a znmou
skutonosou.
Theilov koeficient nesladu 100
2

H H
T T , kde
( )
D
j
N
D
j
j j N
H
y
P y
T
1
2
1
1
2
2
,
kde N je dka asovho radu pouit pre odhad modelu,
D je skrtenie asovho radu, teda N n D ,
j
P
je extrapolcia na obdobie j dopredu modelom odhadnutm na zklade

prvch N hodnt R,
H
T
meme interpretova ako relatvnu chybu extrapolcie, udva sa v percentch.
Ak sa hodnota
H
T
- pohybuje medzi 3-5 % , povaujeme chybu predpovede za mal a posudzovan model
me by (aj ke nemus) dobrm nstrojom pre tvorbu predpoved,
- pohybuje medzi 5-10 % , pouitie modelu pre extrapolciu nie je vylen,
- pohybuje nad 10 % , je model pre extrapolciu nepouiten.
9.2.3 Adaptvne prstupy k vyjadreniu trendovej zloky R
predpokladaj, e sa v priebehu sledovanej doby parametre modelu menia,
nepredpoklad sa ani stabilita analytickho tvaru modelu ani stabilita trukturlnych
parametrov v ase. Veobecne sa nepoaduje ani spojit trendov funkcia. Dostupn s dve
koncepcie a to metda kzavch priemerov a exponencilne vyrovnvanie.
FLOREKOV, BENKOV 73
9. asov rady
Exponencilne vyrovnvanie
Tto metda je zaloen na adaptvnom prstupe k trendu R (Method of Exponential
Smoothing Time Series). Predpoklad sa exponencilne znehodnocovanie historickch dt,
exponencilny pokles vh starch dt v uritom asovom intervale.
Predpokladajme, e v asovom okamihu n mme k dispozcii rad empirickch hodnt
k n
y

1 , , 1 , 0 n k
z predolch asovch krokov. m je vyia hodnota k, tm je
pozorovanie starie. Vyjdeme z aditvneho modelu asovho radu
k n k n k n
I T y

+
.
Trendov zloku meme popsa funkciou
k
k
k
k n
k a k a k a a T ) 1 (
2 1 0
+ + +
. Odhady
parametrov uvedenej trendovej funkcie je mon zska pomocou metdy najmench
tvorcov, teda zo vzahu
( )

1
0
2
min
n
k
k n k n
T y
. Pri takomto zpise m kad historick
hodnota rovnak vhu. Kee sa d oakva, e hodnoty erstvejie, t.j. bliie
k asovmu okamihu n, bud viac ovplyvova budci vvoj analyzovanho asovho radu
ako hodnoty starie , t.j. vzdialenejie od asovho okamihu n, je vhodn zavies vhy,
ktor bud nepriamo mern veku pozorovania. Predchdzajcu podmienku zapeme
v novom tvare
( )

1
0
2
min
n
k
k k n k n
w T y
,
kde
k
w
s vhy, ktor s exponencilnou funkciou veku pozorovania, teda ,
k
k
w
, 1 0 < < 1 , , 1 , 0 n k
z toho
( )

1
0
2
min
n
k
k
k n k n
T y
.
je tzv. vyrovnvacia
kontanta. Ak naprklad
7 , 0
pre postupnos k=0,1,... zskame postupnos nasledovnch
vh
k 0 1 2 3 4 5 6 ...
k
w
1 0,7 0,49
0,34
3
0,240
1
0,1680
7
0,1164
9
...
Pretoe vhy s exponencilnou funkciou veku pozorovania, vyrovnvanie asovch radov
poda uvedenho princpu sa nazva exponencilne vyrovnvanie. Ak je mon trend
k n
T

povaova za:
pribline kontantn, jedn sa o jednoduch exponencilne vyrovnvanie,
plat, e
0
, 0 a T k
k n

, potom vzah pre vyrovnan (modelov) hodnotu
k n
Y

je mon zapsa v tvare

1
) 1 (

+
k n k n k n
Y y Y ,
pribline linerny, jedn sa o dvojit exponencilne vyrovnvanie,
pribline kvadratick, jedn sa o trojit exponencilne vyrovnvanie.
Uveden exponencilne vyrovnvanie s jednou vyrovnvacou kontantou
sa nazva
Brownovo exponencilne vyrovnvanie. alej sa pouva Holtove exponencilne
vyrovnvanie, ktor je dvojparametrick
) , (
, a trojparametrick
) , , (
Wintersove
exponencilne vyrovnvanie, ktor popisuje aj seznnu zloku asovho radu.
Metda kzavch priemerov
74
TATISTICK METDY
predstavuj in adaptvny prstup k modelovaniu trendovej zloky asovho radu. Ich
podstata spova v tom, e postupnos pvodnch empirickch pozorovan sa nahrad radom
kzavch priemerov. Nzov kzav priemer je odvoden od toho, e pri vpote priemerov sa
postupuje vdy o jedno pozorovanie dopredu, priom prv pozorovanie zo skupiny pre
vpoet poslednho priemeru sa vypa, teda ke sa po asovom rade. Vemi dleitou
otzkou je stanovenie potu pozorovan na vpoet priemerov. V praxi sa tento poet
stanovuje na zklade vecnej analzy skmanho ekonomickho javu. Najastejie sa pouva
5, 7 alebo 9 hodnt (niekedy aj viac), pretoe pri neprnom pote hodnt je vypotan kzav
priemer mon priradi priamo strednmu lenu uvaovanch hodnt.
Nevhodou pouitia kzavch priemerov je strata okrajovch hodnt asovho radu.
Pri kzavch priemeroch z 5 hodnt sa jedn o stratu 4 hodnt (2 zo zaiatku a 2 z konca), ak
potame kzav priemery z 9 hodnt stratme a 8 hodnt (4 zo zaiatku a 4 z konca).
Ak predpokladme, e pre kzav as vyrovnvanho asovho radu je vhodn
poui linerny trend, potame jednoduch kzav priemery (simple moving average)

+
+ + +

p
p i
p t p t p t
i t t
m
y y y
y
m
y

1
,
1
, ak je vhodn poui parabolick trend, potame
ven kzav priemery v tvare

p
p i
p
p i
i i i i i i t i t
W W W W g w y w
g
y , 1 , . ,
1
, (weighted
moving average). Pouvaj sa nasledovn systmy vh W
i
:
[ ] 3 , 12 , 17 , 12 , 3
8
1
pre plenn ven kzav priemer,
[ ] 2 , 3 , 6 , 7 , 6 , 3 , 2
21
1
pre sedemlenn ven kzav priemer,
[ ] 21 , 14 , 39 , 54 , 59 , 54 , 39 , 14 , 21
231
1
pre devlenn ven kzav priemer.
Pri vpote kzavch priemerov zostva subjektvnym problmom ich rd. Najastejie
sa volia priemery o najniieho rdu.
V tab. 9.2 s uveden predpovedacie kzav priemery (ak sa vypotava
predpokladan hodnota o jeden asov krok dopredu).
Tab.9.2 Vhy predpovedacch kzavch priemerov
Poet
hodnt
R
Predpovedacie vhy
1.rdu 2.rdu
3 ( ) 4 , 1 , 2
3
1
5 ( ) 8 , 5 , 2 , 1 , 4
10
1
( ) 9 , 0 , 4 , 3 , 3
5
1

7 ( ) 4 , 3 , 2 , 1 , 0 , 1 , 2
7
1
( ) 9 , 3 , 1 , 3 , 3 , 1 , 3
7
1

9 ( ) 6 1 , 13 , 10 , 7 , 4 , 1 , 2 , 5 , 8
36
1
( ) 42 , 21 , 5 , 6 , 12 , 13 , 9 , 0 , 14
42
1

11 ( ) 0 2 , 17 , 14 , 11 , 8 , 5 , 2 , 1 , 4 , 7 , 10
55
1
( ) 135 , 81 , 37 , 3 , 21 , 35 , 39 , 33 , 17 , 9 , 45
165
1

FLOREKOV, BENKOV 75
9. asov rady
9.3 Analza seznnej zloky
Pri analze asovch radov (hlavne ekonomickch) s periodicitou menou ako jeden
rok (najastejie mesanou) sa stretvame s existenciou seznnej zloky, ktor je vyvolan
existenciou priamych i nepriamych prin opakujcich sa pravidelne kad rok v dsledku
kolobehu Zeme okolo Slnka. Jedn sa vplyvy klimatick, alebo sprostredkovan. Dsledkom
psobenia seznnych vplyvov s tzv. seznne vkyvy, t.j. pravideln vkyvy R hore a dole
voi uritmu neseznnemu normlnemu vvoju.
Prvou lohou je zisti/identifikova, i pozorovan vkyvy s tatisticky vznamn.
Ak sa preuke prtomnos seznnej zloky v R, je potrebn seznne vkyvy kvantifikova
teda vypota ich vekos. Pretoe periodick kolsanie do istej miery zakrva dynamiku
ekonomickch javov, na zver sa rob tzv. seznne oistenie asovho radu, ktorho lohou je
seznnu zloku odstrni z analyzovanho radu.
9.3.1 Identifikcia seznnej zloky
K identifikcii seznnej (ale aj cyklickej zloky) v R je mon poui rzne techniky
a metdy, ktor je mon rozdeli na dve skupiny.
Do prvej skupiny sa zaradzuj jednoduch metdy, ktor sa vyuvaj vtedy, ak je
potrebn zska predben informcie o chovan procesu a orientan charakteristiky. Jedn
sa o tzv. metdy vizulnych odhadov a to grafy uvaovanch procesov, modifikcie
kzavch priemerov, integrlne krivky a pod.
Do druhej skupiny patria tzv. objektvne metdy analzy asovch radov, napr.
autokorelan funkcia, koherenn charakteristiky a hlavne analza periodogramu
a spektrlna analza asovch radov. Tieto metdy slia k hlbiemu skmaniu periodicity.
asto s numericky nron a vyaduj pouitie vkonnej vpotovej techniky.
Model skrytch perid
V podkapitole Modelovanie asovch radov, je uveden ako tret z monch prstupov
k modelovaniu R, modelovanie pomocou spektrlnej analzy. Hodnoty R v tomto prpade
popisujeme goniometrickm spsobom pomocou snusoviek a kosnusoviek s rznymi
amplitdami a frekvenciami.
Proces
t
Y
si meme predstavi ako vsledok vzjomnho psobenia H
harmonickch lenov, tzv. harmonk. Z hadiska vlnovej terie sa jedn o interferenciu
vlnen (zmes vn) s rznymi frekvenciami j
w
, (resp. dkami peridy j
) a s rznymi
amplitdami. Jedn sa o proces vytvoren vekm potom vzjomne sa prelnajcich
goniometrickch kriviek (vn). Niektor sa vo svojich inkoch navzjom dopluj, in
eliminuj, ale vsledkom ich psobenia je prve uvaovan proces t
Y
. Matematickm
zkladom takejto koncepcie je tzv. trigonometrick polynm
76
TATISTICK METDY

+ + +
H
j
t j j
H
j
j j t
n t I t w b t w a A Y
1 1
0
, , 1 , cos sin
kde
2
n
H pre prne n, resp.
2
1
n
H pre neprne n,
j j
b a ,
s zatia neznme koeficienty.
Je mon predpoklada, e nie vetky peridy (frekvencie) s vznamn. asto je
vznamn len jedna peridy, veobecne vak predpokladajme, e je vznamnch prvch m
tchto perid. alej predpokladajme, e trend v R je kontantn. (Ak nie je trend v asovom
rade kontantn, potom je nutn R najprv upravi.) Tzv. model skrytch perid je potom
mon zapsa v tvare

+ + +
m
j
m
j
j j j j t t t
t w b t w a A P T Y
1 1
0
cos sin
. Najlep odhad jeho
parametrov je mon vypota pomocou metdy najmench tvorcov:

n
t
t
y y
n
A
1
0
1

n
t
j t j
t w y
n
a
1
sin
2
,

n
t
j t j
t w y
n
b
1
cos
2
, pre
n j , , 1
Aby bolo mon dokza existenciu periodickej zloky v asovom rade (pomocou
periodogramu, vi alej) je potrebn uri rozptyl modelom odhadnutch hodnt
t
Y
.
Pomocou tohto teoretickho rozptylu je mon aj urenie miery, akou vytvoren model
vysvetuje chovanie empirickho asovho radu. Teoretick rozptyl sa pota poda vzahu
) (
2
1
var
2
1
2
j
m
j
j t
b a Y +

. Z korelanej analzy je znmy vzah pre bilanciu rozptylov

t t t
I Y y var
var var + , kde

t
y var
je celkov rozptyl empirickch hodnt asovho radu
vypotan poda vzahu

n
t
t t t
y y
n
y
1
2
) (
1
var
. Podielom rozptylov teoretickch
a empirickch hodnt vypotame index determincie
t
t
y
Y
I
var
var
2
, ktor sa vyjadruje
v percentch a udva, ak as chovania empirickho asovho radu vysvetuje model
skrytch perid.
Periodogram je prehad/spis vetkch hodnt teoretickch rozptylov pre vetky
frekvencie/peridy
n
j
w
j

2
, kde
H j , , 1
. Potrebn je uri, ktor zo zloiek
periodogramu, t.j. ktor peridy je mon pre ich podiel na vslednom ste povaova za
vznamn prspevok k vysvetleniu celkovej vekosti teoretickho rozptylu. Peridy,
u ktorch dokeme vznamnos, s nositemi periodicity analyzovanho asovho radu.
Mnoh autori navrhli kritria vznamnosti pre hadanie loklnych extrmov periodogramu.
Jednou z monost je Fisherov test loklnych extrmov periodogramu.
Fisherov test loklnych extrmov periodogramu
H
0
: sledovan asov rad neobsahuje vznamn periodicitu
TK:
H
1 j
j
1
1
v
v
V

kde v
j
s vypotan hodnoty periodogramu zoraden vzostupne poda vekosti,
KH:
, H
g
- je kritick hodnota uren poda zvolenej hladiny vznamnosti a H.
FLOREKOV, BENKOV 77
9. asov rady
Interpretcia testu:
ak
H, 1
g V <
s nulovou hypotzou shlasme, R neobsahuje vznamn periodicitu,
periodogram nem loklny extrm,
ak
H, 1
g V >
nulov hypotzu zamietame, R obsahuje vznamn periodicitu,
periodogram m loklny extrm, v testovan pokraujeme alej vpotom novho
testovacieho kritri pre druh najviu hodnotu periodogramu v
2
:
TK:
H
2 j
j
2
2
v
v
V

KH: , j
g
- je kritick hodnota uren z tabuliek pre tento test poda zvolenej
hladiny vznamnosti a H-1.
Intepretcia testu:
ak
, 1 2
<
H
g V
s nulovou hypotzou shlasme, asov rad neobsahuje aliu
vznamn periodicitu, periodogram nem al loklny extrm,
ak
, 1 2
>
H
g V
nulov hypotzu zamietame, asov rad obsahuje aliu
vznamn periodicitu, periodogram m al loklny extrm, v testovan
pokraujeme alej vpotom novho testovacieho kritri pre tretiu najviu
hodnotu periodogramu, at.
9.3.2 Kvantifikcia seznnej zloky
Je mon pomocou modelov s kontantnou seznnosou, proporcionlnou seznosou resp.
zmieanou seznnosou.
V tejto podkapitole bude pouit nov indexovanie dajov asovho radu. Namiesto
jednho indexu t, teda
n t y
t
, , 1 ,
, budeme pouva pre hodnoty asovho radu dva indexy:
m i , , 1
pre roky a
r j , 1
pre dielie obdobia (napr. mesiace, tvrroky), take budeme
pracova s asovm radom hodnt
r j m i y
ij
, , 2 , 1 , , , 2 , 1 ,
. Model asovho radu
potom zapeme v tvare
r j m i I S T Y
ij ij ij ij
, , 2 , 1 , , , 2 , 1 , + +
. Pre tento typ modelu
uvaujeme, e v dsledku ronho kolobehu seznnych vplyvov sa v tom istom dielom
obdob j seznne vkyvy v jednotlivch rokoch nelia, teda j ij
b S
pre roky
m i , , 1
, kde
j
b
pre
r j , , 1
s seznne parametre, v tomto prpade nazvan seznne rozdiely,
vyjadruj/kvantifikuj seznnu zloku v takch jednotkch, v akch s hodnoty asovho
radu. Zporn hodnoty seznneho parametra signalizuj seznny pokles, kladn seznny
nrast.
alej uvaujeme, e sa seznne vplyvy poas roka vykompenzuj, teda pre seznne
parametre plat, e ich suma je rovn nule

r
j
r
j
j ij
b S
1 1
0
pre vetky roky
m i , , 1
.
Model s kontantnou seznnosou a schodovitm trendom vychdza z predpok-
ladu, e trendov zloky ij
T
m vo vetkch dielch obdobiach
r j , , 2 , 1
jednho roku
i

hodnotu
i
a
, priom postupnos tchto hodnt trendu v sledovanch rokoch
m i , , 2 , 1

78
TATISTICK METDY
predstavuje tzv. schodovit trend. Kee predpokladme kontantn seznnos dostvame
model v tvare
. , , 2 , 1 , , , 2 , 1 r j m i I b a Y
ij j i ij
+ +
Najlepie odhady neznmych parametrov uvedenho modelu je mon zska metdou
najmench tvorcov. Odhad parametrov
i
a
, ktor sa nazvaj ron priemery vypotame
ako
m i y y
r
a
i
r
j
ij i
, , 2 , 1 ,
1
.Odhad seznnych rozdielov j

b
vypotame poda
vzahu r j y y b
t j j
, , 2 , 1 ,

, kde hodnoty

m
i
ij j
y
m
y
1
1
sa nazvaj dielie priemery
(mesan, tvrron, at.) a

m
i
r
j
ij
y
m r
y
1 1
.
1
je celkov priemer hodnt analyzovanho R.
Predpoklad o kontantnej seznnosti, t.j. e seznne vkyvy sa pravidelne v kadom
roku opakuj s rovnakou vkou, nie je pouiten pre vetky R. Niekedy je potrebn
uvaova model, ktor takto zjednoduenie nepouva a to je model s proporcionlnou
seznnosou.
Model s proporcionlnou seznnosou predpoklad, e seznne vkyvy s v jednot-
livch dielch obdobiach priamo mern dosiahnutej rovni trendovej zloky, teda meme
napsa ij j ij
T c S
pre
r j m i , , 2 , 1 , , , 2 , 1
, kde j
c
pre
r j , , 2 , 1
s seznne
parametre. Pre model R potom plat ij j ij j ij ij ij ij
T c T c T S T Y ) 1 ( + + +
. Veliina
ij
ij
j
T
Y
c + ) 1 (
sa nazva seznny index. Z jej defincie vyplva, e sa jedn o bezrozmern
sla. Vyjadruje sa v percentch. Ak je hodnota
1 ) 1 ( > +
j
c
jedn sa o seznny nrast, aj je
hodnota
1 ) 1 ( < +
j
c
jedn sa o seznny pokles. alej uvaujeme, podobne ako u modelov
s kontantnou seznnosou, e sa seznne vplyvy poas roka vykompenzuj, teda pre seznne
indexy plat
+
r
j
j
r c
1
) 1 (
.
Model s proporcionlnou seznnosou a schodovitm trendom
Ak pre trendov zloku vyjdeme z predpokladu, e
,
i ij
a T
pre
r j , , 2 , 1
jednho
roku
i
, priom postupnos tchto hodnt trendu v sledovanch rokoch
m i , , 2 , 1

predstavuje tzv. schodovit trend, je mon pomocou metdy najmench tvorcov vypota
najlep odhad r parametrov
) 1 (
j
c +
modelu
r j m i I a c Y
ij i j ij
, , 2 , 1 , , , 2 , 1 ) 1 ( + +

v tvare
2
1
) 1 (
i
i
m
i
ij
j
a
a y
c

+
. Dleit je skontrolova, i sa seznne vplyvy poas roka

vykompenzuj, teda i pre priemern seznne parametre plat, e ich suma je rovn r. Ak
tento predpoklad nie je splnen, je potrebn ich hodnoty upravi pomocou tzv. tandardizcie,
t.j. vynsobi kad z priemernch seznnych indexov podielom
+
r
j
j
c
r
1
) 1 (
. Takto upraven
hodnoty empirickch seznnych indexov sa nazvaj seznne faktory.
FLOREKOV, BENKOV 79
9. asov rady
9.3.3 Oistenie asovho radu od seznnej zloky
Metd pouvanch na oistenie asovho radu od seznnej zloky je vea, od
jednoduchch a po zloit. Zvyajne vychdzaj z kombincie rznych typov kzavch
priemerov, ktor sa zvykn nazva filtre. Ak sa u asovho radu predpoklad linerny ron
trend je mon poui sedemlenn ven kzav priemer s vhami [ ] 1 , 1 , 1 , 2 , 1 , 1 , 1
8
1
, pre
parabolick trend s vhodnejie vhy v tvare [ ] 3 , 4 , 11 , 8 , 11 , 4 , 3
32
1
. Nevhodou uvedench
filtrov je, e krajn hodnoty radu nie s oisten a teda dochdza ku skracovaniu asovho
radu.
V prpade pouitia tzv. Hendersonovch filtrov tento problm nevznik, pretoe
pouvaj in vhy pre oistenie krajnch hodnt asovho radu.
Zo zloitejch metd je potrebn spomen metdu Census X-II, ktor vyuva
kzav priemery rznych dok a na oisovan asov rad ich aplikuje postupne za sebou. Je
schopn nielen odstrni extrmne hodnoty asovho radu, ale aj vyrovnva nepravidelnosti
spsoben rznou dkou mesiacov v roku kalendrne varicie. Vylepenm je nov metda
X-II ARIMA, v ktorej sa vyuva popis asovho radu pomocou ARIMA modelu (Box-
Jenkinsovej metodolgia).
In prstup k oisovaniu asovho radu predstavuje vyuvanie regresnch metd
zaloench na terii linerneho regresnho modelu. Ak sa charakter seznnej zloky v ase
men, s vemi vhodn adaptvne metdy, napr. Wintersovo exponencilne vyrovnvanie.
Vemi jednoduchm spsobom oisovania asovho radu je pouitie seznnych
parametrov. Oisten asov rad sa vypota odtanm prslunch seznnych rozdielov od
hodnt pvodnho asovho radu, alebo podelenm hodnt pvodnho asovho radu
prslunm seznnym indexom.
9.4 Analza cyklickej zloky
Dvod vzniku cyklickej zloky v R je nutn hada v psoben ekonomickch
mechanizmov a chovan hospodrskych subjektov tvoriacich ekonomick prostredie
spolonosti. Termnom hospodrsky cyklus (business cycle) oznaujeme veobecne urit
typ kolsania shrnnej ekonomickej aktivity. Toto vlnenie vekej amplitdy m tyri
zkladn fzy vvoja:
1. expanziu, t.j. fzu ekonomickho rozmachu, v ktorej postupne narastaj rozpory
vedce k druhej fze,
2. krzu, ktor je odrazom expanzie,
3. depresiu, ktor riei dosahy krzy a pokrauje do okamihu, kedy rastov faktory zvrtia
vvoj,
4. oivenie, t.j. fzu, ktor uzatvra jeden cyklus a zrove utvra predpoklady pre nov
cyklus.
Aj ke iadne dva hospodrske cykly nie s celkom zhodn, mu ma vea
spolonch t. Problematikou hospodrskych cyklov sa preto zaoberaj nielen ekonmovia,
ale aj politici. Predvdanie priebehu hospodrskych cyklov je v zujme i vldnych aktivt,
pokia chc ma vo svojom programe realizciu opatren na utlmenie hospodrskych
vkyvov a intervenn politiku v prospech stability prostredia na podnikanie.
80
TATISTICK METDY
Analza ekonomickho pohybu viedla postupne k defincii piatich zkladnch typov
cyklov z hadiska dky ich trvania (Vincr 2000):
1. Storon cykly, tzv. sekulrne tendencie, t.j. cykly zahajce rdovo jedno storoie.
2. Dlhodob cykly, tzv., Kondratevove cykly, zahajce zkladn fzy rastu a poklesu
s peridou pribline 50 rokov.
3. Kuznetsove hypercykly dlhohodob cykly, ktorch trvanie v dke asi 20 rokov
vychdza z vvoja cien a vroby.
4. Juglarove desaron cykly predstavuj obdobie 6-10 rokov.
5. Kitchinov mal cyklus (hypocyklus) zaha obdobie pribline 40 mesiacov
oddeujcej pecifickej krzy.
Kvantitatvne prstupy pouvan na analzu a predikciu mu by dvojak. Prv
vychdzaj z poznatkov ekonomickej terie o princh a mechanizme hospodrskych cyklov
a usiluj sa o vytvorenie komplexnho ekonometrickho modelu makroekonomickho
vvoja. Pomocou odhadu vstupnch premennch na zklade tatistickch odhadov i
pekulatvnych predpokladov sa model pouije na odvodzovanie budceho sprvania sa
makroekonomickch ukazovateov reprezentujcich vvoj cyklu. Druh prstup, ktor je
charakteristick pre konjunkturlnu analzu je viac pragmatick a menej vedeck. Neusiluje
sa o dlhodob prognzu, ale o o krtkodob ekonomick vhad potrebn na rozhodnutia
o veroch, zkazkch, investcich, zamestnanosti. Podstatou je vyuitie starostlivo
vybranch faktorov spojench s vvojom ekonomickej aktivity v najblich mesiacoch.
Technicky ide o vyuitie metd tatistickej analzy asovch radov, indiktorov budcich
zmien s cieom predpoveda, k akm zmenm a kedy djde. V pojmoch hospodrskeho cyklu
ide o urenie bodu, v ktorom sa nachdza ekonomick vvoj prve dnes a ocenenie fzy
najbliieho obdobia ako recesie, konjunktry, hornho alebo dolnho bodu obratu.
Pre zistenie, i asov rad obsahuje cyklick zloku, alebo nie, je mon poui tie
ist metdy, ktor sa pouvaj pre identifikciu seznnej zloky. Praktick hospodrske
rozbory vak vyaduj rozpozna nielen prtomnos cyklu, ale tie njs, v ktorch asovch
obdobiach sa vyskytuj sedl (recesia) a vrcholy (expanzia, konjunktra) analyzovanho
cyklu (Hindls 1999). Jednou z vhodnch metd je metda zvyku.
Prvm krokom pred pouitm metdy zvyku je njdenie vhodnho trendu
analyzovanho R a jeho seznne oistenie. Potom sa uria percentulne odchlky seznne
oistench dajov od trendu poda vzahu:
[%] 100 100

t
o
t
t
T
y
o
. Vyhodnotenie odchliek
je najlepie graficky, v plonom grafe. Vizulnym rozborom je mon zisti v akch cykloch
sa opakuj sedl a vrcholy. Pre ich stanovenie je mimoriadne dleit jednak akou metdou
bol oisten empirick asov rad, jednak typ zvolenho trendu. Zmena trendu me pozciu
sediel a vrcholov meni.
9.5 Analza nhodnej zloky
Nhodn zloka v R vznik ako vsledok psobenia bliie nepecifikovanho
sboru drobnch, vzjomne nezvislch nhodnch vplyvov. Z R, ktor neobsahuje
seznnu ani cyklick zloku ju vyjadrme ako
n t T y I
t t t
, , 2 , 1 ,
. O tejto zloke R sa
mu prijma tri skupiny predpokladov:
1. asov rad tvor tzv. biely um, ak plat:
a. stredn hodnoty nhodnej zloky s nulov, t.j.
n t I E
t
, , 2 , 1 , 0 ) (
,
FLOREKOV, BENKOV 81
9. asov rady
b. nhodn zloky maj kontantn rozptyl (homoskedasticita), t.j.
n t I D
t
, , 2 , 1 , ) (
2
,
c. nhodn zloky s navzjom linerne nezvisl, t.j.
' , , , 2 , 1 ' , , 0 ) , (
'
t t n t t I I E
t t

.
2. druh skupina predpokladov, na rozdiel od prvej skupiny, v bode b. uvauje
heteroskedasticitu nhodnch zloiek:
a. stredn hodnoty nhodnej zloky s nulov, t.j.
n t I E
t
, , 2 , 1 , 0 ) (
,
b. nhodn zloky maj kontantn rozptyl (homoskedasticita),t.j.
1 2
) (

t t
w I D ,
n t , , 2 , 1
,
t
w s vhy pozorovan, ktor spaj poiadavku
n
t
t
n w
1
1
,
c. nhodn zloky s navzjom linerne nezvisl, t.j.
' , , , 2 , 1 ' , , 0 ) , (
'
t t n t t I I E
t t

.
3. predpoklad o autokorelcii nhodnch zloiek, teda plat
, 1 0 ,
1
< < +

t t t
u I I
kde
je kontantn autokorelan koeficient susednch nhodnch zloiek, a

n t u
t
, , 2 , 1 ,
je postupnos nhodnch zloiek majcich charakter bieleho umu.
Nhodn zloky v ase t sa teda tvoren dvomi zlokami zloke zvislej na
predchdzajcej hodnote
1 t
I
a nhodnej zloky
t
u
.
Hodnoty nhodnej zloky
t
I
pre
n t , , 2 , 1
nie je mon presne vypota vzhadom
na to, e teoretick hodnoty asovho radu
t
Y
nepotame presne, len odhadujeme
t
Y
. Preto
rozdiel
t t
Y y
je len odhadom nhodnej zloky, nazva sa rezduum, a oznauje sa

t
e
.
Rezdu sa vyuvaj v rznych testoch na overenie predpokladov o nhodnej zloke.
Najastejie sa overuje nezvislos nhodnej zloky a to pomocou Znamienkovho testu,
Testu bodov obratu, alebo Durbinovho-Watsonovho testu autokorelcie.
Durbinov-Watsonov test autokorelcie
H
0
:
, 1 0 ,
1
< < +

t t t
u I I
TK:
n
t
t
n
t
t t
e
e e
d
1
2
2
2
1
) (
KH: Tento test je mon vyhodnocova pribline alebo presne.
Interpretcia testu pri priblinom vyhodnoten sa vychdza z nasledujcej vahy.
Hodnoty testovacieho kritria d sa mu pohybova v intervale <1,4>, teda:
ak s rezdu nezvisl hodnota d sa pohybuje okolo sla 2,
ak s priamo zvisl hodnota d sa pohybuje okolo sla 0,
ak s nepriamo zvisl hodnota d sa pohybuje okolo sla 4.

Pri presnom vyhodnoten sa pouvaj tabuky kritickch hodnt. Kritick hodnoty s
dve: k n U
d
, , a k n L
d
, , ,
kde je hladina vznamnosti,
82
TATISTICK METDY
n je poet hodnt asovho radu,
k je poet trukturlnych parametrov modelu (napr. pre linerny trend je poet
trukturlnych parametrov, t.j. poet parametrov s asovou premennou 1).
Interpretcia testu:
ak k n U
d d
, ,
<
H
0
zamietame, medzi rezduami je priama zvislos,
ak k n U
d d
, ,
>
s H
0
shlasme, medzi rezduami nie je zvislos,
ak k n U k n L
d d d
, , , ,
< <
test ml.
9.6 Korelcia asovch radov
Ak sasne skmame viac R, je potrebn zaobera sa otzkou, i sa tieto navzjom
neovplyvuj, teda, i nie je mon zmeny chovania jednho asovho radu vysvetli
zmenami v druhom asovom rade, prpadne viacerch asovch radoch.
Pri skman vzjomnho vzahu (korelcie) R budeme vychdza z predpokladu, e
tieto je mon popsa formlnym modelom aditvneho typu obsahujcim tyri zloky.
Otzkou je, ktor zo zloiek bude pri posudzovan korelcia rozhodujca. Trendov, i
seznna zloka mu vykazova zhodn priebeh aj bez existencie korelcie asovch radov,
preto je pre potvrdenie korelcie nutn skma vzah nhodnch zloiek.
Predpokladajme, e mme dva asov rady, ktorch hodnoty ozname
n t x y
t t
, , 2 , 1 , ,
, pre posdenie ich korelcie je nevyhnutn vypota odhady ich
nhodnch zloiek rezdu
t x t t x
T x e

a
t y t t y
T y e

pre
n t , , 2 , 1
, kde
t x
T
,
t y
T
s
hodnoty trendovch zloiek asovch radov
t
x
a
t
y
. Voba typu trendovch funkci
popisujcich vvoj posudzovanch R zohrva pri zisovan ich korelcie kov lohu. Pri
nesprvnej vobe trendu zskame skreslen predstavu o skutonej zvislosti medzi asovmi
radmi. Nevhodn voba trendu sa me prejavi aj v tom, e vypotan rezdu nebud
sprvne vystihova nhodn zloky asovch radov, rezdu nebud nhodne usporiadan, ale
naopak, bude medzi nimi existova autokorelcia. Preto vhodnm krokom po vpote
parametrov trendovch funkci je overenie ich nezvislosti, napr. Durbinovm-Watsonovm
testom. Ak tmto testom potvrdme autokorelciu rezdu, je nutn zmeni typ trendovej
funkcie a test opakova.
Po sprvnej vobe trendovch funkci, vpote rezdu je mon overi, i s asov
rady korelovan.
Test korelcie asovch radov
H
0
:
0
,

y x
e e
r
TK:

n
t
y
n
t
x
n
t
y x
e e
t t
t t
y x
e e
e e
r
1
2
1
2
1
,
) (
Hodnoty testovacieho kritria
y x
e e
r
, sa mu pohybova v intervale <-1,1>.
Zporn hodnoty
y x
e e
r
, svedia o nepriamej zvislosti, kladn o zvislosti priamej.
KH: ,
r
z tabuky kritickch hodnt koeficienta korelcie:
FLOREKOV, BENKOV 83
9. asov rady
kde
je hladina vznamnosti,

2 p n
, n je poet hodnt R, p je rd polynmu pouitho trendu.
Interpretcia testu:
ak
krit e e
r r
y x
<
,
s H
0
shlasme, koeficient korelcie je na zvolenej hladine
vznamnosti nevznamn, asov rady
t t
x y ,
nie s korelovan,
ak
krit e e
r r
y x

,
H
0
zamietame, koeficient korelcie je na zvolenej hladine vznamnosti
vznamn, asov rady
t t
x y ,
s korelovan.
Pri posudzovan korelcie asovch radov je mon narazi na niekoko zvltnych
situci. Ak oba asov rady maj rovnak linerny trend, meme zisti tzv. zdanliv
korelciu, t.j. siln korelciu medzi asovmi radmi, ktor v skutonosti nie s vbec
korelovan.
Ak sa vplyv jednho R na druh neprejavuje v tom istom asovom obdob, ale po
uplynut jednho, alebo aj viac obdob, jedn sa o tzv. oneskoren korelciu. Pri skman
takejto korelcie je potrebn posun druh asov rad o prslun (oneskoren) rad
o prslun poet obdob.
84
PRSTROJ merac,
snmac, monitorovac
Merac prostriedok-
technick prostriedok s
presne urenmi metro-
logickmi vlastnosami.
prevodnk, zariadenie,
systm, prstroj
TATISTICK METDY
10. Psobenie chb na vsledky meran a na modely
Proces merania je jedinm zdrojom kvantitatvnych informci o stave a vlastnostiach javu,
procesu, ktor chceme spozna. Z vsledkov meran vyplvaj alie vahy, rozbory,
predpovede, projekty pre nasledovn innos. Je zrejm, e matematick interpretcia
vsledkov meran m vo vedeckej a technickej oblasti mimoriadny vznam. Tto vak mus
by podloen ich spoahlivosou.
Aj ke meranie a hodnotenie kadej veliiny m vea individulneho, pecifickho, m
aj urit spolon truktru ukazovateov presnosti vsledkov. Chybov model poukazuje na
vznik rznych typov chb, ktor zaauj vsledky meran, na vzahy medzi ukazovatemi
presnosti rznych prstrojov a metd merania. Zkladnmi ukazovatemi presnosti s
aprirne a aposterirne chyby.
Aprirna chyba (zistenie priori, teda pred vlastnm meranm) sa zskava logicko-
deduktvnym rozborom, pri ktorom sa zohaduj znme, resp. predpokladan vplyvy
vetkch initeov zastnench na meran, t.j. vplyvy udskho faktora pozorovatea,
prstrojov, prostredia, objektu, spsobu merania (obr. 13.1). Znamen to teda, e sprvna
voba prstrojov, ich nastavenie, technolgia a metodika merania m pre spoznanie
spoahlivej hodnoty zskanej meranm vek vznam.
Aposterirna chyba (zisten posteriori, teda po meran) sa zskava spracovanm
empirickch hodnt, t.j. z vsledkov, zskanch realizciou laboratrnych alebo
prevdzkovch meran, (obr. 13.2, 13.3). Tto chyba sa udva ako jedin vsledn daj o
celkovej spoahlivosti meranej veliiny. Nezohaduje vak podiel jednotlivch ruivch
vplyvov.
Je dleit, aby aprirna hodnota chyby bola odvoden sprvnym teoretickm
postupom a aby aposterirna hodnota chyby bola zskan v podmienkach, ktor koreponduj
s teoretickm odvodenm.
Problematikou chb a ich hodnotenm sa zaober teria chb. Jej zkladnmi lohami
s:
zskanie najpravdepodobnejej hodnoty meranej veliiny, resp. najpravdepodobnejieho
priebehu zvislosti medzi meranmi veliinami,
skmanie zkona rozdelenia chb pozorovan,
posdenie vslednej presnosti pozorovan.
Vznik chb svis s dialektikou pohybu a vvoja javov v relnom prostred. Zkladn
klasifikcia chb uvauje s troma skupinami chb, a to:
chyby hrub, omyly,
chyby systematick,
chyby nhodn.
Hrub chyby sa vplyvom shry nepriaznivch okolnost mu vo vsledku merania
objavi, ale nesm sa dosta do alieho spracovania.
Systematick chyby vznikaj ako dsledok systmu merania. Je preto potrebn voli
tak usporiadanie, postup merania, aby sa ich vplyv v maximlnej miere eliminoval.
Vyznauj sa pravidelnosou a sstavnosou. Delia sa do niekokch skupn:
stle (kontantn), pri kadom pozorovan maj rovnak vekos aj znamienko;
premenliv, prejavia sa v rozdielnosti skupn vsledkov, zskanch za zmenench
podmienok, km vo vntri jednej takejto skupiny sa nedaj zisti,
jednostrann, maj stle rovnak znamienko, ale vekos je nhodne premenliv,
periodick, chyby pravidelne sa opakujce,
postupn (progresvne), plynulo meniace svoju hodnotu poas merania.
FLOREKOV, BENKOV 85
PRSTROJ merac,
snmac, monitorovac
Merac prostriedok-
systm, prstroj
Za sasnho stavu meracej techniky s systematick chyby prekkou alieho zvyovania
presnosti meran. Z terminologickho hadiska neistota (chyba) presnosti vsledku merania
me by dvojak:
Nhodn neistota odvoden zo tatistickej analzy opakovanch meran, ktorch
rozdelenie je normlne alebo in.
Systematick neistota vyplva z vah oakvanch fyziklnych vplyvov na vsledok a
z opakovanch meran, ktor nespaj podmienky normlneho alebo inho rozdelenia.
Na presnos merania psobia prinn nhodn-stochastick vplyvy a systematick-
deterministick vplyvy. Dsledok psobenia nhodnho/systematickho vplyvu je
nhodn/systematick chyba. Stochastick vplyvy sa s rastom n postupne zmenuj,
vsledn chyba sa bli k nule. Systematick vplyvy nemaj vlastnos konvergencie
k nule, ale mono im predchdza a z vsledkov meran ich eliminova. Medzi
systematickmi a nhodnmi vplyvmi niet ostrho ohranienia. V relnych podmienkach
vdy treba pota aj s existenciou systematickch vplyvov.
Poradie sledovania ast chybotvornho procesu:
Objekt prstroj pozorovate prostredie vsledok chyba
Obr.13.1 Chybotvorn proces v systme merania
86
OBJEKT MERANIA
Predmet, na ktorom sa
meranie uskutouje.
Predmet, ktorho
kvalitu nepoznme.
Predmet, ktorho stav
alebo priebeh sa m
experimentlne uri.
CHYBA MERANIA
Hodnota, ktor
nespa vopred dan
poiadavky
Rozdiel medzi name-
ranou a skutonou
hodnotou meranej
veliiny.
VSLEDOK
MERANIA
Aprirne informcie
Informcia z merania
Sbor dt o meranej
veliine
PRSTROJ merac,
snmac, monitorovac
Merac prostriedok-
systm, prstroj
POZOROVATE
Kvalifikcia
Systematinos
Vytrvalos
nava
Spoahlivos
PROSTREDIE
Okolie stabilita
prostredia, v ktorom
sa nachdza objekt
merania
c
h
y
b
a

z

o
k
o
l
i
a
chyba z meracieho prstroja
prdavn chyba
SYSTEMATICK CHYBY
Kontatntn -cel sbor meran je
zaaen rovnakou hodnotou i
smerom.
Skupinov vek sbor je ovplyv-
nen s rznou intenzitou
nehomognnymi podmienkami
(rzne asov obdobie, teploty,
pozorovatelia, prstroje)
Premenliv pri meniacich sa
podmienkach merania men vekos aj
znamienko.
Jednostrann ak systematick
vplyvy psobia stle tm istm
smerom.
NHODN CHYBY
riadia sa
Gaussovm zkonom rozdelenia
TATISTICK METDY
Postup, usporiadanie meran, voba prstrojov, sa v zsade vdy vol tak, aby sa vylil
eliminoval v o najvej miere vplyv a psobenie systematickch chb.
Obr.13.2 Konvenn meracia technika postup zskavania dajov
Obr.13.3 Meracia technika podporovan potaom postup zskavania dajov
FLOREKOV, BENKOV 87
SYSTEMATICK CHYBY
smerom.
znamienko.
smerom.
NHODN CHYBY
riadia sa
ZVLTNE
NESTACIONRNE
NHODN
CHYBA
MERAN
OBJEKT
(PROCES)
.
.
Materil
Surovina
Energia
MERAC
PRSTROJ
s
mikropotaom
Vsledky merania
Riadiace povely
LOVEK
(rozhodovanie)
Vstupn
veliiny
Riadenie
nastavovanie,
zmena,
just
X
1
vea meranch velin
Meran
veliiny
Nameran
veliiny
X
n
.
.
REGULAN
A RIADIACA
JEDNOTKA
Kontrola
Obsluha
Kontrola
Programovanie
komplexn merac automat
komplikovan spracovanie namer. hodnt
pln prevdzka v relnom ase
Spracovanie,
vyhodnocovanie
Rozhodovanie
MERAN
OBJEKT
(PROCES)
.
.
Materil
Surovina
Energia
MERAC
PRSTROJ
x
LOVEK
(rozhodovanie)
Vstupn
veliiny
Nastavovanie,
zmena,
just
Kontrola
X
jednotliv meran veliiny
jednoduch meracie prstroje
Obsluha
Kontrola
Meran
veliiny
Nameran
veliiny
Nhodn chyby s tak, ktor pri tej istej meranej veliine, pri tej istej metde, pri rov-
nakch podmienkach, nadobdaj nhodne rzne znamienko a vekos. S vzjomne
nezvisl a z meran sa nedaj vyli. Vo vzniku jednotlivch chb nepozorujeme iadnu
zkonitos, avak ich vek mnostvo m charakter tzv. hromadnho nhodnho javu a je
predmetom skmania terie pravdepodobnosti a matematickej tatistiky.
Je potrebn uvies, e ako nhodn, tak aj systematick chyby maj mnohokrt rovnak
zdroj vzniku (obr. 9.4) a je problematick vykona ich prsne oddelenie. Hovorme potom o
celkovch chybch.
Obr.13.4 Vznik celkovch chb (chybov model)
Celkov chyba merania je spsoben najm chybou metdy, merania, chybou so zao-
krhovania a neodstrnitenmi nhodnmi chybami. Pri stanovovan celkovej chyby
posudzujeme meranie poda troch skupn kritri, ktor zohaduj:
presnos, najm nestrannos,
stabilitu (robustnos), t.j. zvislos presnosti odhadov parametrov od predpokladov
o rozdelen chb merania,
zloitos (nronos) postupov, algoritmov, vpotov.
Naou snahou je vdy zabezpei tak vsledok, o ktorom mono prehlsi, e pln tyri
poiadavky:
sprvnos - podiel matematickch chb (odchlok) vo vsledku merania je minimlny,
88
Osobn chyby
chyba v pozorovan
pri odtavan
z navy
Prstrojov chyby
paralaxa
kalibrcia
mierka
Vonkajie chyby
zo zmeny
podmienok
Metodick chyby
interpolan
vpotov
Chyby modelu
zl predpoklady
Chyby klasifikcie
SYSTEMATICK CHYBY
smerom.
znamienko.
smerom.
NHODN CHYBY
riadia sa
Celkov chyby
HRUB CHYBY
nedostatok, omyl, neprpustn chyba,
na zklade, ktorej vrobok/innos
nie s vhodn na splnenie danch
cieovch kritri.
ZVLTNE
NESTACIONRNE
NHODN
CHYBA
TATISTICK METDY
precznos podiel nhodnch chb (odchlok) vo vsledku merania je minimlny,
tolerancia horn-doln/medzn-hranin/-najmenia-najvia hodnota s k sebe
najbliie.
Opakovatenos stupe zhody vsledku merania, zskanch na rovnakch objektoch,
rovnakmi meracmi prstrojmi, za rovnakch podmienok s odstupom asu je
dosiahnuten (reprodukovatenos).
Nhodn chyby klasifikujeme z rznych hadsk. Najpouvanejie hadisk s na
obr.13.5.
Stacionarita nhodn signl (t) je stacionrny, ak jeho pravdepodobnostn
charakteristiky nezvisia na vbere zaiatku odpotavania asu, t.j. s invariantn
vzhadom na zmenu asovej premennej t. Signl je stacionrny v zkom zmysle, ak sa
invariantnos zachovva pre vetky konen rozdelenia. Signl je stacionrny v irom
zmysle, ak vlastnos invariantnosti maj momenty prvho a druhho rdu, t.j. stredn hodnota
a korelan funkcia (kovariancia)
). t t ( B ) t , (t B
1 2 2 1

Ergodinos stacionarita v zkom zmysle, nhodn signl je ergodick, ak jeho
ubovon pravdepodobnostn charakteristika (zskan spriemernenm mnostva realizci)
s p=1 sa rovn asovmu priemeru, zskanmu za dostatone dlh asov sek z jedinej
realizcie signlu.
Obr.13.5 Klasifikcia nhodnch chb
Skuton chyba je veobecne definovan ako rozdiel medzi skutonou hodnotou X a
nameranou hodnotou x urovanej veliiny
, x X
i i
n) , . . . 2, 1, (i
a mme ju monos zisti len sporadicky, tak ako len mlokedy vieme zisti skuton
hodnotu X urovanej veliiny. Preto vo vine prpadov urujeme zdanliv chybu ako
rozdiel medzi najpravdepodobnejou hodnotou x a nameranm zskanou realizciou x
i
n) , . . . 2, 1, (i , -x x
i i

.
Ak vyjadrujeme chyby pomocou rozmerov prslunch meranch velin, alebo ako
bezrozmern sla, hovorme o chybch absoltnych a relatvnych.
FLOREKOV, BENKOV 89
NHODN
CHYBA
STACIONRNA NESTACIONRNA
ERGODICK NEERGODICK
ZVLTNE
NESTACIONRNE
a)
NHODN
CHYBA
SKUTON
ZDANLIV
b)
ABSOLTNA
RELATVNA
Absoltna chyba je vyjadren v rozmeroch meranej veliiny a me to by tak chyba
skuton, ako aj chyba zdanliv |
i
|, |v
i
|.
Relatvna chyba je pomerom absoltnej chyby a realizcie meranej veliiny, resp.
relatvnej chyby a realizcie meranej veliiny
i
i
i
x

,
i
i
i
x
v

,
n), , . . . 2, 1, (i
resp. tento pomer vyjadren v percentch. Pomocou relatvnych chb sa daj vhodne
porovnva presnosti meran velin rznych rozmerov a rznych hodnt.
Nhodn vplyvy jednotlivo-izolovane nepodliehaj iadnym zkonitostiam. Pri vekom
mnostve meran sa u nhodnch chb pozoruj rovnak zkonitosti ako pri hromadnch
nhodnch javoch. Nhodn chyby rovnakho druhu s nhodn premenn s prslunm
zkonom rozdelenia pravdepodobnosti ich vskytu.
Zkladnm zkonom, ktor plat pre nhodn chyby je Gaussov zkon,
uren troma postultmi:
pravdepodobnos vzniku chyby uritej vekosti a rzneho znamienka je rovnak,
mal chyby s pravdepodobnejie ako vek,
nad uritou hranicou sa nhodn chyby nevyskytuj.
Tieto tri postulty odpovedaj Gaussovmu zkonu normlneho rozdelenia nhodnej
premennej. Znamen to teda, e nhodn premenn aj nhodn chyba podliehaj rovnakmu
rozdeleniu pravdepodobnost ich vskytu.
( )
2
1
h ak , e
2
1
f
2
2
2

miera presnosti, potom
( )
2 2
h
e
h
f

.
Neshlas, prpadne vek odchlky skutonho rozdelenia nhodnch chb od normlneho
rozdelenia mu by vyvolan nazhromadenm systematickch chb.
Kad meranie sa sklad z niekokch konov, z ktorch kad je zdrojom nejakch,
tzv. elementrnych chb. Potom vsledn chyba merania je rovn algebraickmu stu
elementrnych chb rzneho znamienka a vekosti. Ak by sme porovnvali medzi sebou dve
metdy merania tej istej veliiny, tak potom bude presnejia t metda, kde zskan vsledky
maj viu koncentrciu (men rozptyl) okolo skutonej hodnoty meranej veliiny.
Presnos metdy merania je dan tzv. strednou kvadratickou chybou
n
m
2
i
t
,
resp. smerodajnou (tandardnou) odchlkou
1 n
v
s
2
i
t

.
Veobecne sa pripa hodnota tzv. maximlne prpustnej chyby 2-3 nsobok m, resp. s.
Presnos nezvislch meran udva zkon sasnho hromadenia a prenania
strednch kvadratickch chb. Ak s X, Y .., Q navzjom nezvisl,
q y x q y x
), q , , y , f(x Q) , Y, f(X, F + + + + +
,
potom
+ + +
2
r
2
r
2
q
2
q
2
y
2
y
2
x
2
x
2
F
m f m f m f m f m
, kde q) , y, x, (r ,
r
F
f
r

Pre veobecn prpad zvislch meran plat

( ) ( )
q y q x y x
2
q
2
y
2
x q y x

2
1
Q), , Y, f(X, F + + + + + + + + + +
90
TATISTICK METDY

+ + + + + +
4
r
4
r rp p r p r
2
r
2
r xy y x y x
2
y
2
y
2
x
2
x
2
F
m f
2
1
r m m f f 2 m f r m m f 2f m f m f m .
Absoltnu chybu funkcie y = f(x) urme pomocou vzahu
( )
i
n
1 i
i
x
x
x f
y
,
relatvnu chybu pomocou vzahu
( )

i
n
1 i
i
x
x
x logf
y
Zkon prenania strednch nhodnch chb meme interpretova a vyuva nasledovne:
Napr. stredn chyba linerneho regresnho modelu b ax Y + , kde predpokladme vplyv
chb v hodnotch x aj v parametroch a,b, bude
2
x
2 2
b
2
a
2 2
x
2
2
b
2
2
a
2
2
Y
s a s s x s
x
Y
s
b
Y
s
a
Y
m + +
,
_
+
,
_
+
,
_
. s a s s x m
2
x
2 2
b
2
a
2
y
+ + t
Pre model
( )
2
1 0
x a a
1
Y
+
, bude
( ) ( )
( ) ( )
,
x a a
s a s x s
s
x a a
a
s
x a a
x
s
x a a
1
s
x
Y
s
a
Y
s
a
Y
m
4
1 0
2
x
2
1
2
a
2 2
a
2
x
2
2
1 0
1
2
a
2
2
1 0
2
a
2
2
1 0
2
x
2
2
a
2
1
2
a
2
0
2
Y
1 0
1 0 1 0
+
+ +

,
_
+
+
,
_
,
_

,
_
,
_
,
_
( )
.
x a a
s a s x s
m
2
1 0
2
x
2
1
2
a
2 2
a
y
1 0
+
+ + t
Ak pre regresn model

x a
0
1
e a Y budeme povaova iba x za zaaen chybami, potom
( )
2
x
2
x a
1 0
2
Y
s e a a m
1
.
Z uvedenho potom vyplva, e je mon aj graficky znzorni priebeh - vvoj strednej
kvadratickej chyby v zvislosti na hodnotch nezvisle premennej x (v rmci intervalu ich
platnosti) a prslunch najlepch odhadov parametrov RM, t.j.
k. , 1,2, i , a p ), s , p , s f(x, m
i i
2
p i
2
x
2
Y
i

FLOREKOV, BENKOV 91
pri nezvislch =0
pri zvislch <-1,1>
TATISTICK TABUKY
Tabuka A Hustota pravdepodobnosti normovanho normlneho rozdelenia
Tabuka B1 Fisher-Snedocorovo F-rozdelenie, = 0,01
Tabuka B2 Fisher-Snedocorovo F-rozdelenie, = 0,05
Tabuka C Pearsonovo
2
rozdelenie
Tabuka D Studentovo t-rozdelenie
Tabuka E Grubbsov test, kritick hodnoty
Tabuka F Dixonov test, kritick hodnoty
Tabuka H: Fisherov test loklnych extrmov periodogramu, kritick hodnoty
Tabuka G: Koeficient korelcie, kritick hodnoty pre vpoet
Tabuka I: Durbin-Watsonov test, kritick hodnoty
92
TabukaA - Hustota pravdepodobnosti normovanhonormlnehorozdelenia
u 0 1 2 3 4 5 6 7 8 9
0,0 0,3989 0,3989 0,3989 0,3988 0,3986 0,3984 0,3982 0,3980 0,3977 0,3973
0,1 0,3968 0,3968 0,3968 0,3968 0,3968 0,3968 0,3968 0,3968 0,3968 0,3968
0,2 0,3907 0,3907 0,3907 0,3907 0,3907 0,3907 0,3907 0,3907 0,3907 0,3907
0,3 0,3809 0,3809 0,3809 0,3809 0,3809 0,3809 0,3809 0,3809 0,3809 0,3809
0,4 0,3677 0,3677 0,3677 0,3677 0,3677 0,3677 0,3677 0,3677 0,3677 0,3677
0,5 0,3514 0,3514 0,3514 0,3514 0,3514 0,3514 0,3514 0,3514 0,3514 0,3514
0,6 0,3325 0,3325 0,3325 0,3325 0,3325 0,3325 0,3325 0,3325 0,3325 0,3325
0,7 0,3115 0,3115 0,3115 0,3115 0,3115 0,3115 0,3115 0,3115 0,3115 0,3115
0,8 0,2890 0,2890 0,2890 0,2890 0,2890 0,2890 0,2890 0,2890 0,2890 0,2890
0,9 0,2654 0,2654 0,2654 0,2654 0,2654 0,2654 0,2654 0,2654 0,2654 0,2654
1,0 0,2413 0,2413 0,2413 0,2413 0,2413 0,2413 0,2413 0,2413 0,2413 0,2413
1,1 0,2173 0,2173 0,2173 0,2173 0,2173 0,2173 0,2173 0,2173 0,2173 0,2173
1,2 0,1937 0,1937 0,1937 0,1937 0,1937 0,1937 0,1937 0,1937 0,1937 0,1937
1,3 0,1709 0,1709 0,1709 0,1709 0,1709 0,1709 0,1709 0,1709 0,1709 0,1709
1,4 0,1494 0,1494 0,1494 0,1494 0,1494 0,1494 0,1494 0,1494 0,1494 0,1494
1,5 0,1292 0,1292 0,1292 0,1292 0,1292 0,1292 0,1292 0,1292 0,1292 0,1292
1,6 0,1107 0,1107 0,1107 0,1107 0,1107 0,1107 0,1107 0,1107 0,1107 0,1107
1,7 0,0939 0,0939 0,0939 0,0939 0,0939 0,0939 0,0939 0,0939 0,0939 0,0939
1,8 0,0788 0,0788 0,0788 0,0788 0,0788 0,0788 0,0788 0,0788 0,0788 0,0788
1,9 0,0655 0,0655 0,0655 0,0655 0,0655 0,0655 0,0655 0,0655 0,0655 0,0655
2,0 0,0539 0,0539 0,0539 0,0539 0,0539 0,0539 0,0539 0,0539 0,0539 0,0539
2,1 0,0439 0,0439 0,0439 0,0439 0,0439 0,0439 0,0439 0,0439 0,0439 0,0439
2,2 0,0354 0,0354 0,0354 0,0354 0,0354 0,0354 0,0354 0,0354 0,0354 0,0354
2,3 0,0283 0,0283 0,0283 0,0283 0,0283 0,0283 0,0283 0,0283 0,0283 0,0283
2,4 0,0224 0,0224 0,0224 0,0224 0,0224 0,0224 0,0224 0,0224 0,0224 0,0224
2,5 0,0175 0,0175 0,0175 0,0175 0,0175 0,0175 0,0175 0,0175 0,0175 0,0175
2,6 0,0136 0,0136 0,0136 0,0136 0,0136 0,0136 0,0136 0,0136 0,0136 0,0136
2,7 0,0104 0,0104 0,0104 0,0104 0,0104 0,0104 0,0104 0,0104 0,0104 0,0104
2,8 0,0079 0,0079 0,0079 0,0079 0,0079 0,0079 0,0079 0,0079 0,0079 0,0079
2,9 0,0060 0,0060 0,0060 0,0060 0,0060 0,0060 0,0060 0,0060 0,0060 0,0060
3,0 0,0044 0,0044 0,0044 0,0044 0,0044 0,0044 0,0044 0,0044 0,0044 0,0044
3,1 0,0033 0,0033 0,0033 0,0033 0,0033 0,0033 0,0033 0,0033 0,0033 0,0033
3,2 0,0024 0,0024 0,0024 0,0024 0,0024 0,0024 0,0024 0,0024 0,0024 0,0024
3,3 0,0017 0,0017 0,0017 0,0017 0,0017 0,0017 0,0017 0,0017 0,0017 0,0017
3,4 0,0012 0,0012 0,0012 0,0012 0,0012 0,0012 0,0012 0,0012 0,0012 0,0012
3,5 0,0009 0,0009 0,0009 0,0009 0,0009 0,0009 0,0009 0,0009 0,0009 0,0009
3,6 0,0006 0,0006 0,0006 0,0006 0,0006 0,0006 0,0006 0,0006 0,0006 0,0006
3,7 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004
3,8 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003
3,9 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
2
u
2
e
2
1
f(u)

93
Tabu ka B1 - Fisher-Snedocorovo F-rozdelenie =0,01

2
1
1 2 3 4 5 6 7 8 9 10 12 14
1 4052 4999 5404 5624 5764 5859 5928 5981 6022 6056 6107 6143
2 98.50 99.00 99.16 99.25 99.30 99.33 99.36 99.38 99.39 99.40 99.42 99.43
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.34 27.23 27.05 26.92
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55 14.37 14.25
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05 9.89 9.77
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.60
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.36
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.56
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 5.01
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.60
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.29
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.05
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94 3.80 3.70
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.55 3.45
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.13
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.74
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.66 2.56
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.78 2.70 2.56 2.46
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.39
70 7.01 4.92 4.07 3.60 3.29 3.07 2.91 2.78 2.67 2.59 2.45 2.35
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.64 2.55 2.42 2.31
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.59 2.50 2.37 2.27
200 6.76 4.71 3.88 3.41 3.11 2.89 2.73 2.60 2.50 2.41 2.27 2.17
400 6.70 4.66 3.83 3.37 3.06 2.85 2.68 2.56 2.45 2.37 2.23 2.13
500 6.69 4.65 3.82 3.36 3.05 2.84 2.68 2.55 2.44 2.36 2.22 2.12
1000 6.66 4.63 3.80 3.34 3.04 2.82 2.66 2.53 2.43 2.34 2.20 2.10
Tabu ka B1 - Fisher-Snedocorovo F-rozdelenie =0,01 pokraovanie

2
1
20 30 40 50 60 70 80 100 200 400 500 1000
1 6209 6260 6286 6302 6313 6321 6326 6334 6350 6358 6360 6363
2 99.45 99.47 99.48 99.48 99.48 99.48 99.48 99.49 99.49 99.50 99.50 99.50
3 26.69 26.50 26.41 26.35 26.32 26.29 26.27 26.24 26.18 26.15 26.15 26.14
4 14.02 13.84 13.75 13.69 13.65 13.63 13.61 13.58 13.52 13.49 13.49 13.47
5 9.55 9.38 9.29 9.24 9.20 9.18 9.16 9.13 9.08 9.05 9.04 9.03
6 7.40 7.23 7.14 7.09 7.06 7.03 7.01 6.99 6.93 6.91 6.90 6.89
7 6.16 5.99 5.91 5.86 5.82 5.80 5.78 5.75 5.70 5.68 5.67 5.66
8 5.36 5.20 5.12 5.07 5.03 5.01 4.99 4.96 4.91 4.89 4.88 4.87
9 4.81 4.65 4.57 4.52 4.48 4.46 4.44 4.41 4.36 4.34 4.33 4.32
10 4.41 4.25 4.17 4.12 4.08 4.06 4.04 4.01 3.96 3.94 3.93 3.92
11 4.10 3.94 3.86 3.81 3.78 3.75 3.73 3.71 3.66 3.63 3.62 3.61
12 3.86 3.70 3.62 3.57 3.54 3.51 3.49 3.47 3.41 3.39 3.38 3.37
14 3.51 3.35 3.27 3.22 3.18 3.16 3.14 3.11 3.06 3.03 3.03 3.02
16 3.26 3.10 3.02 2.97 2.93 2.91 2.89 2.86 2.81 2.78 2.78 2.76
20 2.94 2.78 2.69 2.64 2.61 2.58 2.56 2.54 2.48 2.45 2.44 2.43
30 2.55 2.39 2.30 2.25 2.21 2.18 2.16 2.13 2.07 2.04 2.03 2.02
40 2.37 2.20 2.11 2.06 2.02 1.99 1.97 1.94 1.87 1.84 1.83 1.82
50 2.27 2.10 2.01 1.95 1.91 1.88 1.86 1.82 1.76 1.72 1.71 1.70
60 2.20 2.03 1.94 1.88 1.84 1.81 1.78 1.75 1.68 1.64 1.63 1.62
70 2.15 1.98 1.89 1.83 1.78 1.75 1.73 1.70 1.62 1.58 1.57 1.56
80 2.12 1.94 1.85 1.79 1.75 1.71 1.69 1.65 1.58 1.54 1.53 1.51
100 2.07 1.89 1.80 1.74 1.69 1.66 1.63 1.60 1.52 1.47 1.47 1.45
200 1.97 1.79 1.69 1.63 1.58 1.55 1.52 1.48 1.39 1.34 1.33 1.30
400 1.92 1.75 1.64 1.58 1.53 1.49 1.46 1.42 1.32 1.26 1.25 1.22
500 1.92 1.74 1.63 1.57 1.52 1.48 1.45 1.41 1.31 1.25 1.23 1.20
1000 1.90 1.72 1.61 1.54 1.50 1.46 1.43 1.38 1.28 1.21 1.19 1.16
94
Tabu ka B2 - Fisher-Snedocorovo F-rozdelenie =0,05

2
1
1 2 3 4 5 6 7 8 9 10 12 14
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 243.90 245.36
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.42
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.71
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.87
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.64
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.96
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.53
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.24
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.03
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.86
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.74
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.64
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.48
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.37
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.22
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.04
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.95
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03 1.95 1.89
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.86
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02 1.97 1.89 1.84
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00 1.95 1.88 1.82
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97 1.93 1.85 1.79
200 3.89 3.04 2.65 2.42 2.26 2.14 2.06 1.98 1.93 1.88 1.80 1.74
400 3.86 3.02 2.63 2.39 2.24 2.12 2.03 1.96 1.90 1.85 1.78 1.72
500 3.86 3.01 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.77 1.71
1000 3.85 3.00 2.61 2.38 2.22 2.11 2.02 1.95 1.89 1.84 1.76 1.70
Tabu ka B2 - Fisher-Snedocorovo F-rozdelenie =0,05 pokraovanie

2
1
20 30 40 50 60 70 80 100 200 400 500 1000
1 248.02 250.10 251.14 251.77 252.20 252.50 252.72 253.04 253.68 254.00 254.06 254.19
2 19.45 19.46 19.47 19.48 19.48 19.48 19.48 19.49 19.49 19.49 19.49 19.49
3 8.66 8.62 8.59 8.58 8.57 8.57 8.56 8.55 8.54 8.53 8.53 8.53
4 5.80 5.75 5.72 5.70 5.69 5.68 5.67 5.66 5.65 5.64 5.64 5.63
5 4.56 4.50 4.46 4.44 4.43 4.42 4.41 4.41 4.39 4.38 4.37 4.37
6 3.87 3.81 3.77 3.75 3.74 3.73 3.72 3.71 3.69 3.68 3.68 3.67
7 3.44 3.38 3.34 3.32 3.30 3.29 3.29 3.27 3.25 3.24 3.24 3.23
8 3.15 3.08 3.04 3.02 3.01 2.99 2.99 2.97 2.95 2.94 2.94 2.93
9 2.94 2.86 2.83 2.80 2.79 2.78 2.77 2.76 2.73 2.72 2.72 2.71
10 2.77 2.70 2.66 2.64 2.62 2.61 2.60 2.59 2.56 2.55 2.55 2.54
11 2.65 2.57 2.53 2.51 2.49 2.48 2.47 2.46 2.43 2.42 2.42 2.41
12 2.54 2.47 2.43 2.40 2.38 2.37 2.36 2.35 2.32 2.31 2.31 2.30
14 2.39 2.31 2.27 2.24 2.22 2.21 2.20 2.19 2.16 2.15 2.14 2.14
16 2.28 2.19 2.15 2.12 2.11 2.09 2.08 2.07 2.04 2.02 2.02 2.02
20 2.12 2.04 1.99 1.97 1.95 1.93 1.92 1.91 1.88 1.86 1.86 1.85
30 1.93 1.84 1.79 1.76 1.74 1.72 1.71 1.70 1.66 1.64 1.64 1.63
40 1.84 1.74 1.69 1.66 1.64 1.62 1.61 1.59 1.55 1.53 1.53 1.52
50 1.78 1.69 1.63 1.60 1.58 1.56 1.54 1.52 1.48 1.46 1.46 1.45
60 1.75 1.65 1.59 1.56 1.53 1.52 1.50 1.48 1.44 1.41 1.41 1.40
70 1.72 1.62 1.57 1.53 1.50 1.49 1.47 1.45 1.40 1.38 1.37 1.36
80 1.70 1.60 1.54 1.51 1.48 1.46 1.45 1.43 1.38 1.35 1.35 1.34
100 1.68 1.57 1.52 1.48 1.45 1.43 1.41 1.39 1.34 1.31 1.31 1.30
200 1.62 1.52 1.46 1.41 1.39 1.36 1.35 1.32 1.26 1.23 1.22 1.21
400 1.60 1.49 1.42 1.38 1.35 1.33 1.31 1.28 1.22 1.18 1.17 1.15
500 1.59 1.48 1.42 1.38 1.35 1.32 1.30 1.28 1.21 1.17 1.16 1.14
1000 1.58 1.47 1.41 1.36 1.33 1.31 1.29 1.26 1.19 1.14 1.13 1.11
95
Tabu ka - Pearsonovo
2
rozdelenie

0.005 0.010 0.025 0.050 0.100 0.900 0.950 0.975 0.990 0.995
1 7.879 6.635 5.024 3.841 2.706 0.016 0.004 0.001 0.000 0.000
2 10.597 9.210 7.378 5.991 4.605 0.211 0.103 0.051 0.020 0.010
3 12.838 11.345 9.348 7.815 6.251 0.584 0.352 0.216 0.115 0.072
4 14.860 13.277 11.143 9.488 7.779 1.064 0.711 0.484 0.297 0.207
5 16.750 15.086 12.832 11.070 9.236 1.610 1.145 0.831 0.554 0.412
6 18.548 16.812 14.449 12.592 10.645 2.204 1.635 1.237 0.872 0.676
7 20.278 18.475 16.013 14.067 12.017 2.833 2.167 1.690 1.239 0.989
8 21.955 20.090 17.535 15.507 13.362 3.490 2.733 2.180 1.647 1.344
9 23.589 21.666 19.023 16.919 14.684 4.168 3.325 2.700 2.088 1.735
10 25.188 23.209 20.483 18.307 15.987 4.865 3.940 3.247 2.558 2.156
11 26.757 24.725 21.920 19.675 17.275 5.578 4.575 3.816 3.053 2.603
12 28.300 26.217 23.337 21.026 18.549 6.304 5.226 4.404 3.571 3.074
13 29.819 27.688 24.736 22.362 19.812 7.041 5.892 5.009 4.107 3.565
14 31.319 29.141 26.119 23.685 21.064 7.790 6.571 5.629 4.660 4.075
15 32.801 30.578 27.488 24.996 22.307 8.547 7.261 6.262 5.229 4.601
16 34.267 32.000 28.845 26.296 23.542 9.312 7.962 6.908 5.812 5.142
17 35.718 33.409 30.191 27.587 24.769 10.085 8.672 7.564 6.408 5.697
18 37.156 34.805 31.526 28.869 25.989 10.865 9.390 8.231 7.015 6.265
19 38.582 36.191 32.852 30.144 27.204 11.651 10.117 8.907 7.633 6.844
20 39.997 37.566 34.170 31.410 28.412 12.443 10.851 9.591 8.260 7.434
21 41.401 38.932 35.479 32.671 29.615 13.240 11.591 10.283 8.897 8.034
22 42.796 40.289 36.781 33.924 30.813 14.041 12.338 10.982 9.542 8.643
23 44.181 41.638 38.076 35.172 32.007 14.848 13.091 11.689 10.196 9.260
24 45.558 42.980 39.364 36.415 33.196 15.659 13.848 12.401 10.856 9.886
25 46.928 44.314 40.646 37.652 34.382 16.473 14.611 13.120 11.524 10.520
26 48.290 45.642 41.923 38.885 35.563 17.292 15.379 13.844 12.198 11.160
27 49.645 46.963 43.195 40.113 36.741 18.114 16.151 14.573 12.878 11.808
28 50.994 48.278 44.461 41.337 37.916 18.939 16.928 15.308 13.565 12.461
29 52.335 49.588 45.722 42.557 39.087 19.768 17.708 16.047 14.256 13.121
30 53.672 50.892 46.979 43.773 40.256 20.599 18.493 16.791 14.953 13.787
31 55.002 52.191 48.232 44.985 41.422 21.434 19.281 17.539 15.655 14.458
32 56.328 53.486 49.480 46.194 42.585 22.271 20.072 18.291 16.362 15.134
33 57.648 54.775 50.725 47.400 43.745 23.110 20.867 19.047 17.073 15.815
34 58.964 56.061 51.966 48.602 44.903 23.952 21.664 19.806 17.789 16.501
35 60.275 57.342 53.203 49.802 46.059 24.797 22.465 20.569 18.509 17.192
36 61.581 58.619 54.437 50.998 47.212 25.643 23.269 21.336 19.233 17.887
37 62.883 59.893 55.668 52.192 48.363 26.492 24.075 22.106 19.960 18.586
38 64.181 61.162 56.895 53.384 49.513 27.343 24.884 22.878 20.691 19.289
39 65.475 62.428 58.120 54.572 50.660 28.196 25.695 23.654 21.426 19.996
40 66.766 63.691 59.342 55.758 51.805 29.051 26.509 24.433 22.164 20.707
41 68.053 64.950 60.561 56.942 52.949 29.907 27.326 25.215 22.906 21.421
42 69.336 66.206 61.777 58.124 54.090 30.765 28.144 25.999 23.650 22.138
43 70.616 67.459 62.990 59.304 55.230 31.625 28.965 26.785 24.398 22.860
44 71.892 68.710 64.201 60.481 56.369 32.487 29.787 27.575 25.148 23.584
45 73.166 69.957 65.410 61.656 57.505 33.350 30.612 28.366 25.901 24.311
46 74.437 71.201 66.616 62.830 58.641 34.215 31.439 29.160 26.657 25.041
47 75.704 72.443 67.821 64.001 59.774 35.081 32.268 29.956 27.416 25.775
48 76.969 73.683 69.023 65.171 60.907 35.949 33.098 30.754 28.177 26.511
49 78.231 74.919 70.222 66.339 62.038 36.818 33.930 31.555 28.941 27.249
50 79.490 76.154 71.420 67.505 63.167 37.689 34.764 32.357 29.707 27.991
96
Tabu ka C - Pearsonovo
2
rozdelenie - pokraovanie

0.005 0.010 0.025 0.050 0.100 0.900 0.950 0.975 0.990 0.995
51 80.746 77.386 72.616 68.669 64.295 38.560 35.600 33.162 30.475 28.735
52 82.001 78.616 73.810 69.832 65.422 39.433 36.437 33.968 31.246 29.481
53 83.253 79.843 75.002 70.993 66.548 40.308 37.276 34.776 32.019 30.230
54 84.502 81.069 76.192 72.153 67.673 41.183 38.116 35.586 32.793 30.981
55 85.749 82.292 77.380 73.311 68.796 42.060 38.958 36.398 33.571 31.735
56 86.994 83.514 78.567 74.468 69.919 42.937 39.801 37.212 34.350 32.491
57 88.237 84.733 79.752 75.624 71.040 43.816 40.646 38.027 35.131 33.248
58 89.477 85.950 80.936 76.778 72.160 44.696 41.492 38.844 35.914 34.008
59 90.715 87.166 82.117 77.930 73.279 45.577 42.339 39.662 36.698 34.770
60 91.952 88.379 83.298 79.082 74.397 46.459 43.188 40.482 37.485 35.534
61 93.186 89.591 84.476 80.232 75.514 47.342 44.038 41.303 38.273 36.300
62 94.419 90.802 85.654 81.381 76.630 48.226 44.889 42.126 39.063 37.068
63 95.649 92.010 86.830 82.529 77.745 49.111 45.741 42.950 39.855 37.838
64 96.878 93.217 88.004 83.675 78.860 49.996 46.595 43.776 40.649 38.610
65 98.105 94.422 89.177 84.821 79.973 50.883 47.450 44.603 41.444 39.383
66 99.330 95.626 90.349 85.965 81.085 51.770 48.305 45.431 42.240 40.158
67 100.554 96.828 91.519 87.108 82.197 52.659 49.162 46.261 43.038 40.935
68 101.776 98.028 92.688 88.250 83.308 53.548 50.020 47.092 43.838 41.714
69 102.996 99.227 93.856 89.391 84.418 54.438 50.879 47.924 44.639 42.493
70 104.215 100.425 95.023 90.531 85.527 55.329 51.739 48.758 45.442 43.275
71 105.432 101.621 96.189 91.670 86.635 56.221 52.600 49.592 46.246 44.058
72 106.647 102.816 97.353 92.808 87.743 57.113 53.462 50.428 47.051 44.843
73 107.862 104.010 98.516 93.945 88.850 58.006 54.325 51.265 47.858 45.629
74 109.074 105.202 99.678 95.081 89.956 58.900 55.189 52.103 48.666 46.417
75 110.285 106.393 100.839 96.217 91.061 59.795 56.054 52.942 49.475 47.206
76 111.495 107.582 101.999 97.351 92.166 60.690 56.920 53.782 50.286 47.996
77 112.704 108.771 103.158 98.484 93.270 61.586 57.786 54.623 51.097 48.788
78 113.911 109.958 104.316 99.617 94.374 62.483 58.654 55.466 51.910 49.581
79 115.116 111.144 105.473 100.749 95.476 63.380 59.522 56.309 52.725 50.376
80 116.321 112.329 106.629 101.879 96.578 64.278 60.391 57.153 53.540 51.172
81 117.524 113.512 107.783 103.010 97.680 65.176 61.262 57.998 54.357 51.969
82 118.726 114.695 108.937 104.139 98.780 66.076 62.132 58.845 55.174 52.767
83 119.927 115.876 110.090 105.267 99.880 66.976 63.004 59.692 55.993 53.567
84 121.126 117.057 111.242 106.395 100.980 67.876 63.876 60.540 56.813 54.368
85 122.324 118.236 112.393 107.522 102.079 68.777 64.749 61.389 57.634 55.170
86 123.522 119.414 113.544 108.648 103.177 69.679 65.623 62.239 58.456 55.973
87 124.718 120.591 114.693 109.773 104.275 70.581 66.498 63.089 59.279 56.777
88 125.912 121.767 115.841 110.898 105.372 71.484 67.373 63.941 60.103 57.582
89 127.106 122.942 116.989 112.022 106.469 72.387 68.249 64.793 60.928 58.389
90 128.299 124.116 118.136 113.145 107.565 73.291 69.126 65.647 61.754 59.196
91 129.490 125.289 119.282 114.268 108.661 74.196 70.003 66.501 62.581 60.005
92 130.681 126.462 120.427 115.390 109.756 75.100 70.882 67.356 63.409 60.815
93 131.871 127.633 121.571 116.511 110.850 76.006 71.760 68.211 64.238 61.625
94 133.059 128.803 122.715 117.632 111.944 76.912 72.640 69.068 65.068 62.437
95 134.247 129.973 123.858 118.752 113.038 77.818 73.520 69.925 65.898 63.250
96 135.433 131.141 125.000 119.871 114.131 78.725 74.401 70.783 66.730 64.063
97 136.619 132.309 126.141 120.990 115.223 79.633 75.282 71.642 67.562 64.878
98 137.803 133.476 127.282 122.108 116.315 80.541 76.164 72.501 68.396 65.693
99 138.987 134.641 128.422 123.225 117.407 81.449 77.046 73.361 69.230 66.510
100 140.170 135.807 129.561 124.342 118.498 82.358 77.929 74.222 70.065 67.328
97
Tabu ka D - Studentovo t-rozdelenie

0.10 0.05 0.01
1
6.314 12.706 63.656
2 2.920 4.303 9.925
3 2.353 3.182 5.841
4 2.132 2.776 4.604
5 2.015 2.571 4.032
6 1.943 2.447 3.707
7 1.895 2.365 3.499
8 1.860 2.306 3.355
9 1.833 2.262 3.250
10 1.812 2.228 3.169
11 1.796 2.201 3.106
12 1.782 2.179 3.055
13 1.771 2.160 3.012
14 1.761 2.145 2.977
15 1.753 2.131 2.947
16 1.746 2.120 2.921
17 1.740 2.110 2.898
18 1.734 2.101 2.878
19 1.729 2.093 2.861
20 1.725 2.086 2.845
21 1.721 2.080 2.831
22 1.717 2.074 2.819
23 1.714 2.069 2.807
24 1.711 2.064 2.797
25 1.708 2.060 2.787
26 1.706 2.056 2.779
27 1.703 2.052 2.771
28 1.701 2.048 2.763
29 1.699 2.045 2.756
30 1.697 2.042 2.750
31 1.696 2.040 2.744
32 1.694 2.037 2.738
33 1.692 2.035 2.733
34 1.691 2.032 2.728
35 1.690 2.030 2.724
36 1.688 2.028 2.719
37 1.687 2.026 2.715
38 1.686 2.024 2.712
39 1.685 2.023 2.708
40 1.684 2.021 2.704
98
Tabu ka E - Grubbsov test, kritick hodnoty Tabu ka F - Dixonov test, kritick hodnoty
T
1,
=T
n,
Q
1,
=Q
n,

n
0.05 0.01

n
0.05 0.01
3 1.412 1.414 3 0.941 0.988
4 1.689 1.723 4 0.765 0.889
5 1.869 1.955 5 0.642 0.780
6 1.996 2.130 6 0.560 0.698
7 2.093 2.265 7 0.507 0.637
8 2.172 2.374 8 0.468 0.590
9 2.237 2.464 9 0.437 0.555
10 2.294 2.540 10 0.412 0.527
11 2.343 2.606 11 0.392 0.502
12 2.387 2.663 12 0.376 0.482
13 2.426 2.714 13 0.361 0.465
14 2.461 2.759 14 0.349 0.450
15 2.493 2.800 15 0.338 0.438
16 2.523 2.837 16 0.329 0.426
17 2.551 2.871 17 0.320 0.416
18 2.577 2.903 18 0.313 0.417
19 2.600 2.932 19 0.306 0.398
20 2.623 2.959 20 0.300 0.391
21 2.644 2.984 21 0.295 0.384
22 2.664 3.008 22 0.290 0.378
23 2.683 3.030 23 0.285 0.372
24 2.701 3.051 24 0.281 0.367
25 2.717 3.071 25 0.277 0.362
25 2,717 3,071 26 0.273 0.357
26 2,734 3,089 27 0.269 0.353
27 2,749 3,107 28 0.266 0.349
28 2,764 3,124 29 0.263 0.345
29 2,778 3,140 30 0.260 0.341
99
Tabuka H: Kritick hodnoty pre Fisherov test loklnych extrmov periodogramu:
H
01 , 0 , H
g
H
01 , 0 , H
g
5 0,789 0 45 0,174 0
10 0,536 0 50 0,159 6
15 0,407 1 60 0,137 1
20 0,330 3 70 0,120 4
25 0,277 6 80 0,107 5
30 0,241 7 100 0,088 9
35 0,216 3 120 0,075 9
40 0,192 5 140 0,066 4
Tabuka G: Kritick hodnoty korelanho koeficienta
0,1 0,05 0,02 0,01 0,001

1 0,987 69 0,996 92 0,999 507 0,999 677 0,999 998
2
0,900 00
0,950 0 0,980 00 0,990 000 0,999 000
3 0,805 4 0,878 3 0,934 33 0,958 73 0,991 116
4 0,729 3 0,811 4 0,882 2 0,917 20 0,974 05
5 0,669 4 0,754 5 0,832 9 0,874 5 0,950 74
6 0,621 5 0,706 7 0,788 7 0,834 3 0,924 93
7 0,582 2 0,666 4 0,749 8 0,797 7 0,898 2
8 0,549 4 0,631 9 0,715 5 0,764 6 0,872 1
9 0,521 4 0,602 1 0,685 1 0,734 8 0,847 1
10 0,497 3 0,576 0 0,658 1 0,707 9 0,823 3
11 0,476 2 0,552 9 0,633 9 0,683 5 0,801 1
12 0,457 5 0,532 4 0,612 0 0,661 4 0,780 0
13 0,440 9 0,513 9 0,592 3 0,641 1 0,760 3
14 0,425 9 0,497 3 0,574 2 0,622 6 0,742 0
15 0,412 4 0,482 1 0,557 7 0,605 5 0,724 6
16 0,400 0 0,468 3 0,542 5 0,589 7 0,708 4
17 0,388 7 0,455 5 0,528 5 0,575 1 0,693 2
18 0,378 3 0,433 8 0,515 5 0,561 4 0,678 7
19 0,368 7 0,432 9 0,503 4 0,548 7 0,665 2
20 0,359 8 0,422 7 0,492 1 0,536 8 0,652 4
25 0,323 3 0,380 9 0,445 1 0,486 9 0,597 4
30 0,296 0 0,349 4 0,409 3 0,448 7 0,554 1
35 0,274 6 0,324 6 0,381 0 0,418 2 0,518 9
40 0,257 3 0,304 4 0,357 8 0,393 2 0,489 6
45 0,242 8 0,287 5 0,338 4 0,372 1 0,464 8
50 0,230 6 0,273 2 0,321 8 0,364 1 0,443 3
60 0,210 8 0,250 0 0,294 8 0,324 8 0,407 8
70 0,195 4 0,231 9 0,273 7 0,301 7 0,379 9
80 0,182 9 0,217 2 0,256 5 0,283 0 0,356 8
90 0,172 6 0,205 0 0,242 2 0,267 3 0,337 5
100
0,163 8 0,194 6 0,230 1 0,254 0 0,321 1
100
TabukaH - Kritickhodnoty Durbin-Watsonovhotestu pre autokorelciu
DL DU DL DU DL DU DL DU DL DU
0,010 0,81 1,07 0,70 1,25 0,59 1,46 0,49 1,70 0,39 1,96
0,025 0,95 1,23 0,83 1,40 0,71 1,61 0,59 1,84 0,48 2,09
0,050
1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,21
0,010 0,95 1,15 0,86 1,27 0,77 1,41 0,68 1,57 0,60 1,74
0,025 1,08 1,28 0,99 1,41 0,89 1,55 0,79 1,70 0,70 1,87
0,050
1,20 1,41 1,10 1,54 1,00 1,68 0,90 1,83 0,79 1,99
0,010 1,13 1,26 1,07 1,34 1,01 1,42 0,94 1,51 0,88 1,61
0,025 1,25 1,38 1,18 1,46 1,12 1,54 1,05 1,63 0,98 1,73
0,050
1,35 1,49 1,28 1,57 1,21 1,65 0,14 1,74 1,07 1,83
0,010 1,25 1,34 1,20 1,40 1,15 1,46 1,10 1,52 1,05 1,58
0,025 1,35 1,45 1,30 1,51 1,25 1,57 1,20 1,63 1,15 1,69
0,050
1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
0,010 1,38 1,45 1,35 1,48 1,32 1,52 1,28 1,56 1,25 1,60
0,025 1,47 1,54 1,44 1,57 1,40 1,61 1,37 1,65 1,33 1,69
0,050
1,55 1,62 1,51 1,65 1,48 1,69 1,44 1,73 1,41 1,77
0,010 1,47 1,52 1,44 1,54 1,42 1,57 1,39 1,60 1,36 1,62
0,025 1,54 1,59 1,52 1,62 1,49 1,65 1,47 1,67 1,44 1,70
0,050
1,61 1,66 1,59 1,69 1,56 1,72 1,53 1,74 1,51 1,77
0,010 1,52 1,56 1,50 1,58 1,48 1,60 1,46 1,63 1,44 1,65
0,025 1,59 1,63 1,57 1,65 1,55 1,67 1,53 1,70 1,51 1,72
0,050 1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,57 1,78
k =poet regresorov (bez kontnt)
n 1 2 3 4
100
30
40
5
15
20
60
80
101
Literatra
Aczel, A.D. 1989. Complete Business Statistics. IRWIN, 1989.
Andl, J. 1975. Matematick statistika. Praha: SNTL, 1975.
Bakytov, H. a kol. 1979. Zklady tatistiky. Bratislava: Alfa, 1979.
Benkov, M. 2003. Ekonomicko-tatistick metdy. Uebn texty pre III. ronk externho
tdia IM. Koice: TU v Koiciach, 2003
Curwin, J. Slater, R. 1986. Quantitative Methods for Business Decisions. International
Thompson Business Press, 1986.
Cyhelsk, L. Novk, I. 1967. Statistika. I.dl. Praha: SNTL/SVTL, 1967.
Cyhelsk, L. Kaokov, J. Novk, I. 1986. Teorie statistiky. SNTL/ALFA, Praha 1986
ermk, V. 1968. Statistika. II.dl, Praha: Alfa/SNTL, 1968.
Fedorik, P. 1989. Ekonomick tatistika. Koice: Edin stredisko VT, 1989.
Felix Blha. 1962. Matematickostatistick metdy v chemickm prmyslu. Praha: SNTL,
1962.
Florekov, . 1986. Matematick modelovanie. Bratislava: Alfa, 1986.
Florekov, . Kostr,K. 1986. Matematick modelovanie. Zbierka rieench prkladov.
Bratislava: Alfa, 1986.
Florekov, . 1992. Plnovan experimerty a ich vyhodnocovanie. Koice: Edin stredisko
TU Koice, 1992.
Florekov . Benkov M. 1998. Zklady tatistickho spracovania dt. Koice: FPP-F
BERG, TU v Koiciach, 1998.
Florekov . Benkov M. 1999. tatistick metdy. Koice: FPP-F BERG, TU v Koiciach,
1999.
Htle, J. Like. J. 1974. Zklady potu pravdepodobnosti a matematick statistiky. Praha:
SNTL, 1974.
Hanousek, J. - Charamza, P. 1992. Modern metody zpracovn dat Matematick statistika
pro kadho. Praha: Grada, 1992.
Hebk, P. Hustopeck, J. 1990. Prvodce modernmi statistickmi metodami. Praha: SNTL,
1990.
Hindls, R. Kaokov, J. Novk, I. 1997. Metody statistick analzy pro ekonomy. Praha:
Management Press, 1997.
Hindls, R. Hronov, S. Novk, I. 1999. Analza dat v manarskem rozhodonn. Praha:
Grada Publishing, 1999.
Hindls, R. Hronov, S. Seger, J. 2003. Statistika pro ekonomy. 3.doplnen vydanie. Praha:
Professional Publishing, Praha, 2003,
Hines,W.W. Montgomery, D.C. 1980. Propability and Statistics in Engineering and
Management Science. second ed. New York: 1980.
Huek, R. Walter, J. 1976. Ekonometrie. Praha: SNTL, 1976.
Hendl, J. 2004. Pehled statistickch metod spracovn dat. Praha: Portl, 2004.
102
Himmelblau, D. 1969. Process Analysis by Statistical Methods. New York: 1969.
Hudec, O. 2004. Pravdepodobnos a induktvna tatistika. Koice: TU v Koiciach,
Ekonomick fakulta, 2004.
Chajdiak, J. Komornk, J. Komornkov, M. 1999. tatistick metdy. Bratislava:
STATIS, 1999.
Kapar, J. a kol. 1969. Ekonomick statistika. Praha: SNTL, 1969.
Lamo, F., Potock, R. 1989. Pravdepodobnos a matematick tatistika. tatistick analzy.
Bratislava Alfa, 1989.
Meloun, M. Militk, J. 1994. Statistick zpracovan experimentlnch dat. Praha: Plus,
1994.
Meloun M. Militk J. 2002. Kompendium statistickho zpracovn dat. Praha: Academia,
2002.
Montgomery, D.C. 1985. Design and Analysis of Experiments. New York, 1985.
Pecho, V. 1981. Vyhodnocovan men a poetn metody v chemickm inenstv. SNTL,
1981.
Pidany, J. 1996. Metdy porovnvania a sledovania dynamiky vvoja v ekonomike. Koice:
ELFA, 1996.
Potock, R a kol. 1986. Zbierka loh z pravdepodepodobnosti a matematickej tatistiky.
Bratislava: Alfa/SNTL, 1986.
Rektorys, K. a kol. 1985. Pehled uit matematiky. Praha: 1985.
Riean, B. Lamo, F. 1984. Pravdepodobnos a matematick tatistika. Bratislava:
Alfa/SNTL, 1984.
Rieanov, Z. a kol. 1987. Numerick metdy a matematick tatistika. Bratislava:
Alfa/SNTL, 1987.
Sachs, L. 1969. Statistische Auswertungsmethoden. Berlin: 1969.
Seger, J. Hindls, R. 1993. Statistick metody v ekonomii. Praha: H&H, 1993.
Seger, J. 1988. Statistick metody pro ekonomy prmyslu. Praha: SNTL, 1988.
Seger, J. Hindls, R. 1995. Statistick metody v trnm hospodstv. Praha: Victoria publ.,
1995.
Svoboda, H. 1977. Modern statistika. Svoboda, 1977.
Toenovsk, J. Noskieviov, D. 2000. Statistick metody pro zlepovn jakosti. Ostrava:
Montanex a.s., 2000.
Toenovsk, J. Dudek, M. 2004. Zklady statistickho spracovn dat. Ostrava: Edin
stedisko VB-TU Ostrava, 2004.
Vincr P. 2000. Makroekonomick analzy a prognza. Bratislava: Sprint vfra, 2000.
Wonnacot, T.H. Wonnacot, R.J. 1994. Statistika pro obchod a hospodstv. New York:
Victoria publishing, 1994.
103
Poznmky
104
Druh publikcie: skript
Autori: Doc.Ing. ubica Florekov,CSc., Ing. Marta Benkov, CSc.
Recenzenti: Doc.RNDr. Anton Lavrin, CSc., Ing. Dagmar Bednrov
Nzov: tatistick metdy
Dtum tlae: mj 2006
Poet vtlakov: 150
Poet strn: 109
Vydanie: druh
ISBN: 80-8073-527-1
Tla: TU v Koiciach
ISBN 80-8073-527-1

Štatistické Metódy

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Štatistické Metódy

Uploaded by

Copyright:

Available Formats

TECHNICK UNIVERZITA V KOICIACH

FAKULTA BANCTVA, EKOLGIE, RIADENIA A GEOTECHNOLGI

.tatistick pravdepodobnos limitne konverguje k teoretickej

(t) je zvisl na stupoch vonosti a

(t) pri zvolenom p/,

, kde u = 1,64 pre p = 0,90,

vekho vberu je mon navrhn po-

- vpoet frekvennch funkci pre normy tried:

- vpoet frekvennch funkci pre triedne znaky:

KH: z tabuliek Studentovho rozdelenia sa njde t

z tabuliek Pearsonovho rozdelenia, pre a = k 1.

pomocou binomickho rozdelenia ako

. Potom vhy jednotlivch hodnt bud 1 | z | pre , ) z (1 w

parametrov testuj na vznamnos

Pre modifikovan exponencilny trend

je extrapolcia na obdobie j dopredu modelom odhadnutm na zklade

je mon zapsa v tvare

. Z korelanej analzy je znmy vzah pre bilanciu rozptylov

var var + , kde

.Odhad seznnych rozdielov j

. Dleit je skontrolova, i sa seznne vplyvy poas roka

je kontantn autokorelan koeficient susednch nhodnch zloiek, a

je len odhadom nhodnej zloky, nazva sa rezduum, a oznauje sa

Pre veobecn prpad zvislch meran plat

Ak pre regresn model

0,1 0,05 0,02 0,01 0,001

You might also like