.gitignore

@@ -0,0 +1 @@
+.ipynb_checkpoints

Dockerfile

@@ -1,9 +1,18 @@
 FROM python:3.10-slim
 
-RUN pip install --upgrade pip \
-    && pip install jupyter notebook
+# Install system dependencies
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    r-base && \
+    R --quiet -e "install.packages('Sleuth2')" && \
+    R --quiet -e "library(Sleuth2); write.csv(ex0221, file = \"data.csv\")" && \
+    apt-get purge -y r-base && \
+    apt-get autoremove -y && \
+    apt-get clean && \
+    rm -rf /var/lib/apt/lists/*
 
-EXPOSE 8888
+# Upgrade pip and install Python packages including rpy2
+RUN pip install --upgrade pip && \
+    pip install jupyter notebook pandas numpy matplotlib
 
+# Set CMD to run Jupyter notebook
 CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--allow-root", "--no-browser"]
-

README.md

@@ -1,9 +1,14 @@
-# build
+# how to run
+## build
 podman build -t pst -f Dockerfile
 or
 docker build -t pst -f Dockerfile
 
-# run
+## run
 pacman -S slirp4netns && podman run --network=slirp4netns -p 8888:8888 pst
 or
 docker run -p 8888:8888 pst
+
+K = 28
+L = 8
+M = ((K+L)*47)%11+1 = 10

ukol.ipynb

@@ -0,0 +1,138 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 1,
+   "id": "d693757b-4f3a-4162-9300-ec96596a26ec",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "#import csv\n",
+    "#import math\n",
+    "#import numpy as np\n",
+    "#import matplotlib.pyplot as plt\n",
+    "import pandas as pd\n",
+    "#np.set_printoptions(precision=3)\n",
+    "#from sympy import *\n",
+    "#from scipy.stats import norm, uniform, expon, t\n",
+    "#from scipy.optimize import minimize"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 5,
+   "id": "7c90184c-5f76-4277-b0ad-aeec2ac37d30",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "10\n"
+     ]
+    }
+   ],
+   "source": [
+    "K = 28\n",
+    "L = 8\n",
+    "M = (((K + L) * 47) % 11) + 1\n",
+    "print(M)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "503f77b6-1c9d-4406-8b30-ec3b792267e7",
+   "metadata": {},
+   "source": [
+    "(1b) Načtěte datový soubor a rozdělte sledovanou proměnnou na příslušné dvě pozorované skupiny.\n",
+    "Stručně popište data a zkoumaný problém. Pro každou skupinu zvlášť odhadněte střední hodnotu, rozptyl a medián příslušného rozdělení."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 2,
+   "id": "b80d5cec-db0c-42e7-a3b9-296803242269",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "df = pd.read_csv(\"/data.csv\", sep = \";\", decimal = \",\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "29eef015-c103-4e7f-89e8-2b59526f4b1e",
+   "metadata": {},
+   "source": [
+    "(1b) Pro každou skupinu zvlášť odhadněte hustotu a distribuční funkci pomocí histogramu a empirické distribuční funkce."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "626d8bce-65af-4659-96e9-c1fbe4ccb3cc",
+   "metadata": {},
+   "source": [
+    "(3b) Pro každou skupinu zvlášť najděte nejbližší rozdělení: \n",
+    "Odhadněte parametry normálního, exponenciálního a rovnoměrného rozdělení.\n",
+    "Zaneste příslušné hustoty s odhadnutými parametry do grafů histogramu. Diskutujte, které z rozdělení odpovídá pozorovaným datům nejlépe."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "6226456c-fdf3-4537-830c-05f8ee7022c5",
+   "metadata": {},
+   "source": [
+    "(1b) Pro každou skupinu zvlášť vygenerujte náhodný výběr o 100 hodnotách z rozdělení, \n",
+    "které jste zvolili jako nejbližší, s parametry odhadnutými v předchozím bodě.\n",
+    "Porovnejte histogram simulovaných hodnot s pozorovanými daty."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "1c5f7d31-ca21-42b4-9a23-1111bbf599b9",
+   "metadata": {},
+   "source": [
+    "(1b) Pro každou skupinu zvlášť spočítejte oboustranný 95% konfidenční interval pro střední hodnotu."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "53a61e4f-fc67-4237-ab38-f5f9fb7767c5",
+   "metadata": {},
+   "source": [
+    "(1b) Pro každou skupinu zvlášť otestujte na hladině významnosti 5 % hypotézu,\n",
+    "zda je střední hodnota rovná hodnotě K (parametr úlohy), proti oboustranné alternativě.\n",
+    "Můžete použít buď výsledek z předešlého bodu, nebo výstup z příslušné vestavěné funkce vašeho softwaru."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "7007c195-97a3-4cd4-8427-dcc8417eedf8",
+   "metadata": {},
+   "source": [
+    "(2b) Na hladině významnosti 5 % otestujte, jestli mají pozorované skupiny stejnou střední hodnotu.\n",
+    "Typ testu a alternativy stanovte tak, aby vaše volba nejlépe korespondovala s povahou zkoumaného problému."
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.10.15"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}