{ "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": 3, "id": "b80d5cec-db0c-42e7-a3b9-296803242269", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ " ,\"Weight\",\"Status\"\n", "0 1,24.5,\"survived\"\n", "1 2,26.8999996185303,\"survived\"\n", "2 3,26.8999996185303,\"survived\"\n", "3 4,24.2999992370605,\"survived\"\n", "4 5,24.1000003814697,\"survived\"\n", "5 6,26.5,\"survived\"\n", "6 7,24.6000003814697,\"survived\"\n", "7 8,24.2000007629395,\"survived\"\n", "8 9,23.6000003814697,\"survived\"\n", "9 10,26.2000007629395,\"survived\"\n", "10 11,26.2000007629395,\"survived\"\n", "11 12,24.7999992370605,\"survived\"\n", "12 13,25.3999996185303,\"survived\"\n", "13 14,23.7000007629395,\"survived\"\n", "14 15,25.7000007629395,\"survived\"\n", "15 16,25.7000007629395,\"survived\"\n", "16 17,26.2999992370605,\"survived\"\n", "17 18,26.7000007629395,\"survived\"\n", "18 19,23.8999996185303,\"survived\"\n", "19 20,24.7000007629395,\"survived\"\n", "20 21,28,\"survived\"\n", "21 22,27.8999996185303,\"survived\"\n", "22 23,25.8999996185303,\"survived\"\n", "23 24,25.7000007629395,\"survived\"\n", "24 25,26.6000003814697,\"survived\"\n", "25 26,23.2000007629395,\"survived\"\n", "26 27,25.7000007629395,\"survived\"\n", "27 28,26.2999992370605,\"survived\"\n", "28 29,24.2999992370605,\"survived\"\n", "29 30,26.7000007629395,\"survived\"\n", "30 31,24.8999996185303,\"survived\"\n", "31 32,23.7999992370605,\"survived\"\n", "32 33,25.6000003814697,\"survived\"\n", "33 34,27,\"survived\"\n", "34 35,24.7000007629395,\"survived\"\n", "35 36,26.5,\"perished\"\n", "36 37,26.1000003814697,\"perished\"\n", "37 38,25.6000003814697,\"perished\"\n", "38 39,25.8999996185303,\"perished\"\n", "39 40,25.5,\"perished\"\n", "40 41,27.6000003814697,\"perished\"\n", "41 42,25.7999992370605,\"perished\"\n", "42 43,24.8999996185303,\"perished\"\n", "43 44,26,\"perished\"\n", "44 45,26.5,\"perished\"\n", "45 46,26,\"perished\"\n", "46 47,27.1000003814697,\"perished\"\n", "47 48,25.1000003814697,\"perished\"\n", "48 49,26,\"perished\"\n", "49 50,25.6000003814697,\"perished\"\n", "50 51,25,\"perished\"\n", "51 52,24.6000003814697,\"perished\"\n", "52 53,25,\"perished\"\n", "53 54,26,\"perished\"\n", "54 55,28.2999992370605,\"perished\"\n", "55 56,24.6000003814697,\"perished\"\n", "56 57,27.5,\"perished\"\n", "57 58,31.1000003814697,\"perished\"\n", "58 59,28.2999992370605,\"perished\"\n" ] } ], "source": [ "df = pd.read_csv(\"/data.csv\", sep = \";\", decimal = \",\")\n", "print(df)" ] }, { "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 }