10. SEMINÁŘ • •INDUKTIVNÍ STATISTIKA • •3. HODNOCENÍ ZÁVISLOSTÍ • • HODNOCENÍ ZÁVISLOSTÍ • - •KVANTITATIVNÍ VELIČINY -Východiskem pro korelační a regresní analýzu je bodový graf. - •KVALITATIVNÍ VELIČINY -Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně - •K měření stupně (síly) závislosti se používají různé míry (ukazatele) závislosti. – jejich použití je vázáno na různé podmínky – různá kvalita - Závislost kvantitativních znaků •Z. funkční – určité hodnotě jedné veličiny odpovídá jediná hodnota veličiny druhé (př.O=4a) •Z. statistická – jedné hodnotě znaku prvního odpovídá celé rozložení hodnot znaku druhého •Závislost – pojem komplexní • různá – intenzita (síla, stupeň, těsnost) • směr (přímý, nepřímý) • typ (tvar, druh) BODOVÝ GRAF •východisko pro posouzení vztahu mezi dvěma kvantitativními veličinami •orientační informace o typu, směru a síle závislosti • •každou dvojici údajů znázorníme bodem, jehož souřadnice jsou rovny naměřeným hodnotám • Osa x: nezávisle proměnná – Osa y: závisle proměnná • •zakreslenými body prokládáme čáru (přímku, křivku) – • •typ závislosti (tvar křivky) - lineární • - logaritmická • - exponenciální • - parabolická • (typ z. – křivka proložená empirickými body, vyjadřuje se matematickou fcí = regresní křivka /regresní fce/→ regresní analýza BODOVÝ GRAF y x y x y x y x y x y x y x y x y x x y x y x y Příklad •Posuďte vztah mezi obsahem kyseliny mléčné v krvi matky a novorozence těsně po porodu (mg/100ml). • matka novorozenec • x y • 39,0 31,8 • 6,5 34,5 • 41,1 33,7 • 43,0 43,0 • 33,5 21,0 • 11,2 * 9,0 * • 40,2 32,6 • 50,9 32,0 • 66,5 * 48,7 • 54,7 48,2 • 66,4 62,4 • 64,7 64,7 * • 56,8 6,8 • 40,9 40,9 • Bodový graf •Závislost mezi obsahem kyseliny mléčné u novorozence a matky těsně po porodu. • • Snímek 022.jpg Okresy JmK Por. hmotnost do 2500g na 100 ŽN (nezávis. prom. X) KÚ (závis. prom. Y) Blansko 4,10 7,70 Brno – město 6,20 9,69 Brno – venkov 5,00 9,33 Břeclav 4,40 6,40 Hodonín 4,20 7,77 Jihlava 4,60 8,98 Kroměříž 5,30 6,27 Prostějov 5,50 11,22 Třebíč 4,80 6,88 Uherské Hradiště 4,70 8,92 Vyškov 5,20 9,09 Zlín 5,10 7,92 Znojmo 5,70 7,64 Žďár nad Sázavou 4,60 6,39 Bodový graf HODNOCENÍ ZÁVISLOSTI KVANTITATIVNÍCH VELIČIN •LINEÁRNÍ ZÁVISLOST •Nejužívanější mírou korelace je PEARSONŮV KORELAČNÍ KOEFICIENT • •NELINEÁRNÍ ZÁVISLOST •Např. SPEARMANŮV KOEFICIENT POŘADOVÉ KORELACE • • LINEÁRNÍ ZÁVISLOST • Hodnocením stupně lineární závislosti se zabývá KORELAČNÍ ANALÝZA • Nejužívanější mírou korelace je PEARSONŮV KORELAČNÍ KOEFICIENT - hodnotí těsnost (sílu) lineární vazby • •Označuje se r … pro výběrový soubor (výběrová • charakteristika) • ρ… pro základní soubor (parametr) • •Podmínka pro použití: - lineární závislost (odhadujeme z bodového grafu) - dvojrozměrné normální rozdělení - obě sledované veličiny musí být náhodné • LINEÁRNÍ ZÁVISLOST - vlastnosti korelačního koeficientu •r(ρ) nabývá hodnot od - 1 do 1 • •Z tohoto intervalu mají hodnoty -1, 0 a 1 zvláštní význam: • r(ρ) = -1 funkční nepřímá závislost • r(ρ) = 0 neexistuje lineární závislost • r(ρ) = 1 přímá funkční závislost • Nabývá záporných hodnot pro nepřímou statist.z, a kladných hodnot pro přímou statist. závislost • •Hodnocení r: Čím více se hodnota r(ρ) blíží ± 1, tím je větší těsnost vztahu. • •Pearsonův koeficient korelace je nejlepší mírou korelace, proto tam, kde je to možné, transformujeme nelineární vztah na lineární. • LINEÁRNÍ ZÁVISLOST •Z údajů o výběrovém souboru vypočítáme VÝBĚROVÝ KORELAČNÍ KOEFICIENT r. • • •r je výběrová charakteristika a proto je zatížena náhodnou chybou SE: • • •r je nejlepším bodovým odhadem neznámého parametru ρ •Pozor při intervalovém odhadu – pokud ρ ≠ 0 nemá r normální rozdělení, je třeba provést logaritmickou transformaci • TEST HYPOTÉZY O NULOVÉM KORELAČNÍM KOEFICIENTU •Jde o zjištění významnosti r, tj. zda je zjištěná závislost dílem náhody nebo zda skutečně existuje i v základním souboru. – –H0 - veličiny jsou nezávislé, tj. r(ρ) = 0 –HA - veličiny jsou závislé, tj. r(ρ) ≠ 0 • •Statistická hypotéza zjišťuje, zda se r významně liší od nuly – k tomu lze využít: • –a) pro n ≤ 50: kritické hodnoty Pearsonova r • Absolutní hodnota r se porovná s kritickými • hodnotami Pearsonova korelačního koeficientu: • - je-li , pak nezamítáme H0 • - je-li , pak zamítáme H0 • • b) pro n > 50: u-test • TEST HYPOTÉZY O NULOVÉM KORELAČNÍM KOEFICIENTU •Pro soubory (pro n > 50) → u-test 1)H0 ≡ ρ = 0 → veličiny jsou nezávislé • HA ≡ ρ ≠ 0 → veličiny jsou závislé •2) Testovací charakteristika u má za platnosti Ho normální rozdělení • •3) |u| → kritické hodnoty NR: 1,96; 2,58 • TEST HYPOTÉZY O NULOVÉM KORELAČNÍM KOEFICIENTU – Interpretace: – |u| > 2,58 … zamítám Ho na 1% HV – |u| > 1,96 … zamítám Ho na 5% HV – a příjímám HA: hodnocené veličiny jsou závislé – |u| < 1,96 …Ho nezamítám → – závislost se nepodařilo prokázat – –Pozn. Pro malé výběry ( n < 50) není možno použít u- test → – tabulka kritických hodnot korelačního koeficientu (skr. str. 28). • Kritické hodnoty k.k. rk představují pro daný rozsah výběru a zvolenou hladinu významnosti nejmenší hodnotu výběrového k.k. r, pro níž se už Ho zamítá • Příklad • •V souboru 225 jednoletých brněnských chlapců byl sledován vztah mezi tělesnou délkou a hmotností. Výpočtem jsme zjistili r = 0,648. • •Zhodnoťte závislost pomocí u-testu. Řešení • r = 0,648, n = 225 • u = r . √ n – 1= 0,648.√225-1= 9,7 • u = 9,7 • •|u|(9,7) >2,58 → zamítáme Ho na 1% HV, •přijímáme HA, která říká že tělesná výška a hmotnost u 1-letých chlapců jsou veličiny závislé, riziko, že se mýlíme je menší než 1% Příklad: • • Zhodnoťte závislost obsahu kyseliny mléčné v krvi matky a novorozence těsně po porodu (viz naměřené hodnoty v úvodu). • Zhodnoťte statistickou významnost korelačního koeficientu r. • • r = 0,911 n = 14 • Snímek 001.JPG Příklad - Řešení •r = 0,911 n = 14 •H0 ≡ ρ = 0 veličiny jsou nezávislé •Kritické hodnoty (viz tabulka) •r 0,05 (14) = 0,5324 •r 0,01 (14) = 0,6614 •r > 0,6614 => H0 zamítáme na 1% HV •Prokázali jsme závislost mezi kyselinou mléčnou u matek a novorozenců • TEST HYPOTÉZY O NULOVÉM KORELAČNÍM KOEFICIENTU •Příklad: • Zhodnoťte významnost korelace mezi podílem dětí s nízkou porodní hmotností a kojeneckou úmrtností • (posuďte statistickou významnost korelačního koeficientu r.) • a) v souboru 14 okresů JmK, když r = 0,429 • b) v souboru 76 okresů ČR, když r = 0,471 • a)Kritické hodnoty Pearsonova korelačního koeficientu b) b)u-test, , kritické hodnoty normálního rozdělení Řešení: •Ad a) 14 okresů na 5 % HV • n < 50 Þ vypočítáme Pearsonův koeficient a porovnáme jej s kritickou hodnotou (dle tabulky) • r = 0,429 • r < 0,5324 => H0 nezamítáme •Nepodařilo se prokázat závislost mezi kojeneckou úmrtností a podílem dětí s nízkou porodní hmotností. • •Ad b) 76 okresů • n > 50 Þ vypočítáme testovací charakteristiku u, kterou porovnáme s kritickými hodnotami normálního (Gaussova) rozdělení • r = 0,471 • => zamítáme Ho na 1% HV, • •prokázali jsme existenci vztahu mezi KÚ a podílem dětí s nízkou PH. Snímek 006.jpg KOEFICIENT DETERMINACE •V případě stat. významné závislosti můžeme počítat tzv. KOEFICIENT DETERMINACE: r2 •Nabývá hodnot od 0 do 1; vyjádříme-li ho v %, udává, kolik % variability závislé veličiny Y lze vysvětlit změnami v nezávislé veličině X. •100 . r ² udává procento variability náhodné veličiny Y, která připadá na vrub lineární závislosti veličiny Y na veličině X. • • KOEFICIENT DETERMINACE r² •Příklad: • Jestliže těsnost vztahu mezi hmotností a tělesnou délkou jednoletých chlapců vyjadřuje korelační koeficient r = 0,648, pak 42% celkové variability hmotnosti jednoletých chlapců připadá na vrub závislosti hmotnosti na délce. Znamená to, že variabilita vah jednoletých chlapců určité délky by byla o 42% nižší než variabilita celková (pro chlapce všech délek). • REGRESNÍ ANALÝZA (rovnice regresní přímky) •Zjistíme-li významnou lineární závislost, je užitečné vyjádřit ji pomocí regresní přímky ve tvaru: y = a + bx • •y hodnota závislé veličiny •x hodnota nezávislé veličiny •a regresní koeficient, udává posun přímky na ose y •b regresní koeficient, úhel přímky s osou x (sklon přímky) • •b = r (sy/sx) •a = my – b. mx •Přímka se používá k PREDIKCI jedné veličiny pomocí druhé, tzn. zjišťujeme jaká bude hodnota y, pro určenou hodnotu x. • • REGRESNÍ ANALÝZA (rovnice regresní přímky) •Příklad: •Určete rovnici regresní přímky pro laktát 1)Regresní koeficienty a, b • b = 0,911 x ( 14,94/14,90) = 0,945 • a = 39,95 – ( 0,945 x 46,81) = - 4,285 2)Rovnice regresní přímky • y = - 4,285 + ( 0,945 . x) • (y lze vypočítat pro libovolně zvolené x) • Z této rovnice lze vypočítat prům. obsah laktátu v krvi novorozence (y) • pro libovolně zvolené množství laktátu v krvi matky (x) • - např.: při hladině laktátu v krvi matky 30 mg (x), lze u jejího novorozence očekávat prům. hodnotu laktátu 24,06 mg (y) REGRESNÍ ANALÝZA •Příklad: •V souboru 76 okresů ČR byla zjištěna závislost mezi podílem dětí s nízkou porodní hmotností (X) a kojeneckou úmrtností (Y), kterou lze vyjádřit rovnicí: y = 4,139 + 0,942x. Vypočítejte, jaká by byla kojenecká úmrtnost v okrese, kde na 100 živě narozených připadá 7 dětí s nízkou porodní hmotností. • • 76 okresů ČR • x = podíl dětí s nízkou p.h. na 100 ŽN ( v %) • y = KÚ • •Rovnice regresní přímky vypočítaná z dat o výběrovém souboru se chová jako náhodná veličina a je zatížená náhodnou výběrovou chybou SE. • • Pro odhad regresní přímky - tzv. PÁS SPOLEHLIVOSTI •(CI pro každý bod přímky) Řešení příkladu • • • KÚ = 4,139 + (0,942 x 7) = 10,73 ‰ • • Interpretace: V okrese, kde podíl dětí s nízkou p.h. na 100 živě narozených je 7%, • lze očekávat hodnotu KÚ 10,73 ‰. NELINEÁRNÍ ZÁVISLOST •Pro hodnocení nelineární závislosti používáme: 1)Transformace – ( např. transformace inverzní, logaritmická) • pomocí vhodné funkce se nelineární závislost převede na lineární, tzv. se „zlinearizuje“ – 1) 2)Pořadový korelační koeficient • nejsou vázány na žádné předpoklady, lze užít u jakékoliv závislosti • (Spearmanův, Kendallův) • NELINEÁRNÍ ZÁVISLOST •SPEARMANŮV KOEFICIENT POŘADOVÉ KORELACE • •Východiskem je rozdíl pořadí u každé dvojice, bez ohledu na znaménko •Postup: • Nejprve seřadíme všechny hodnoty veličiny X dle velikosti a označíme je pořadovými čísly. • Pak seřadíme všechny hodnoty veličiny Y dle velikosti a označíme je pořadovými čísly. • Pro každou dvojici hodnot x,y stanovíme jejich rozdíl d. • Spearmanův koeficient pořadové korelace vypočítáme ze vztahu: • n = počet dvojic údajů • d = rozdíl pořadí u každé dvojice Okresy JmK Por. hmotnost do 2500g na 100 ŽN Pořadí Podle PH KÚ Pořadí Podle KÚ Rozdíl pořadí Blansko 4,10 1 7,70 6 - 5 Brno – město 6,20 14 9,69 13 1 Brno – venkov 5,00 8 9,33 12 - 4 Břeclav 4,40 3 6,40 3 0 Hodonín 4,20 2 7,77 7 - 5 Jihlava 4,60 4,5 8,98 10 - 5,5 Kroměříž 5,30 11 6,27 1 10 Prostějov 5,50 12 11,22 14 - 2 Třebíč 4,80 7 6,88 4 3 Uherské Hradiště 4,70 6 8,92 9 - 3 Vyškov 5,20 10 9,09 11 - 1 Zlín 5,10 9 7,92 8 1 Znojmo 5,70 13 7,64 5 8 Žďár nad Sázavou 4,60 4,5 6,39 2 2,5 HODNOCENÍ ZÁVISLOSTI KVALITATIVNÍCH ZNAKŮ •Kvalitativní (kategoriální) veličiny – lze popsat slovním určením a)alternativní - 2 obměny (např. zdravý- nemocný, očkovaný- neočkovaný, HIV pozit. – HIV negat.,) b)množné – více než 2 obměny (např. rodinný stav, diagnoza..) • • !!! Exaktní definice obměny každé veličiny !!! • •Východisko pro hodnocení závislosti kvalit.veličin (X,Y) tvoří roztřídění podle obou hledisek do kombinační (kontingenční) tabulky (určitý počet řádků a sloupců – podle počtu obměn každé veličiny – r řádků, k sloupců) • HODNOCENÍ ZÁVISLOSTI KVALITATIVNÍCH ZNAKŮ •Východiskem je kontingenční tabulka: • • • • • • • • • • • •Je založeno na srovnání empirických a teoretických četností. • •Empirická četnost (E) – rozdělení lidí podle kuřáctví a vzdělání jak bylo skutečně zjištěno ve výběrovém souboru. • •Teoretická četnost (T) – jaké by bylo rozdělení lidí ve výběrovém souboru podle kuřáctví a vzdělání, kdyby šlo o jevy nezávislé. • Závislost dvou alternativních znaků •Závislost rizikového činitele (jevu A -kouření cigaret) a určité nemoci Ca plic- jevu B) • •4 zákl. možnosti: a - osoba kouří – onemocněla • b - osoba kouří – neonemocněla • c – osoba nekouří – onemocněla • d – osoba nekouří – neonemocněla • • Schema čtyřpolní (2x2) kontingenční tabulky • (model vztahu jevu A a B) Osoby S nemocí Bez nemoci ∑ Kouří a b a+b Nekouří c d c+d ∑ a+c b+d a+b+c+d Závislost dvou alternativních znaků •Kdy usuzuji na závislost jevu A a B? • 1.Kuřáci onemocněli Ca plic častěji než nekuřáci • a/a+b > c/c+d • 2.Mezi nemocnými je větší počet kuřáků než mezi zdravými • a/a+c > b/b+d 2. •(Statistickou významnost rozdílů uvedených pravděpodobností lze posoudit např. u- testem pro srovnání pravděpodobností). Tabulka •založeno na srovnání empirických a teoretických četností • posoudím, zda se velikost skupin a,b,c,d (tzv. zjištěné – empirické četnosti) statisticky významně liší od tzv. očekávaných (teoretických) četností – a0, b0, c0, d0. • Výpočet Oi : předpokládáme nezávislost znaků A a B (tj. Ho – testovaná hypotéza) při daných okrajových četnostech (a+b, c+d, a+c, b+d). • Pravidlo pro násobení pravděpodobností dvou nezávislých jevů – pokud A,B jsou 2 nezávislé jevy, pak pravděpodobnost současného výskytu obou jevů je dána součinem pravděpodobností P(A ∩ B)= P(A) . P(B) • • (Očekávané četnosti vypočítáme tak, že mezi sebou vynásobíme příslušné okrajové četnosti a získaný součin dělíme celkovým počtem statistických jednotek). • Hodnocení závislosti kvalitativních znaků Např. pst, že 1.dítě v rodině bude Ch, je ½, pst , že 2.dítě v rodině bude Ch je také ½. Za předpokladu nezávislosti obou jevů je pst, že obě děti budou chlapci je ½ x ½ = ¼. Hodnocení závislosti kvalitativních znaků -východiskem je kontingenční tabulka – zjištěné (empirické) četnosti Ei - - - - - - - - - -Empirická(zjištěná) četnost - Ei – rozdělení lidí podle přítomnosti nemoci(B) a kuřáckého zvyku(A), jak bylo skutečně zjištěno ve výběrovém souboru -Teoretická (očekávaná) četnost - Oi– jaké by bylo rozdělení lidí ve výběrovém souboru podle kuřáckého zvyku a přítomnosti nemoci, kdyby šlo o jevy nezávislé (za platnosti Ho o nezávislosti jevů) Nemoc B Nemoc B ano ne CELKEM Rizik. činitel A ano 24 (a) 56 (b) 80 Rizik.činitel A ne 16 (c) 104 (d) 120 CELKEM 40 160 200 Hodnocení závislosti kvalitativních znaků ( tabulka zjištěných četností) Nemoc B Nemoc B ano ne CELKEM Rizik. činitel A ano 24 (a) 56 (b) 80 Rizik.činitel A ne 16 (c) 104 (d) 120 CELKEM 40 160 200 •Výpočet očekávaných četností: • • ao = (a+b).(a+c)/n = (80.40)/200=16 • bo = (a+b).(b+d)/n = (80.160)/200 = 64 • co = (a+c).(c+d)/n = (40.120)/200=24 • do = (b+d).(c+d)/n = (160.120/200= 96 • - Hodnocení závislosti kvalitativních znaků •založeno na srovnání zjištěných a očekávaných četností pomocí • chí-kvadrát testu (χ²) = test dobré shody •Očekávané četnosti sledovaných skupin • Teoretická (očekávaná) četnost - Oi– jaké by bylo rozdělení lidí ve výběrovém souboru podle kuřáckého zvyku a přítomnosti nemoci, kdyby šlo o jevy nezávislé (za platnosti Ho o nezávislosti znaků A a B) • Nemoc B Nemoc B ano ne CELKEM Rizik. činitel A ano 16 (a0) 64 (b0) 80 Rizik. činitel A ne 24 (c0) 94 (d0) 120 CELKEM 40 160 200 TEST HYPOTÉZY O NEZÁVISLOSTI •Platnost Ho o nezávislosti znaků A a B ověříme pomocí testovací chrakteristiky χ² (chí kvadrát), která má za platnosti Ho rozložení χ² s počtem stupňů volnosti f = 1. • f = (r-1) .( k-1) •1. STANOVENÍ HYPOTÉZ -H0 – zkoumané jevy jsou nezávislé -HA - zkoumané jevy jsou závislé - • 2. HLADINA VÝZNAMNOSTI • α = 5% nebo α = 1% • • 3. VÝBĚR TESTU • - chí-kvadrát test (χ² ) • TEST HYPOTÉZY O NEZÁVISLOSTI • •4. VÝPOČET TESTOVACÍ CHARAKTERISTIKY CHÍ – KVADRÁT a)Pro každé políčko vypočítáme teoretickou četnost b)Pro každé políčko vypočítáme rozdíl mezi empirickou (E) a teoretickou četností (T) podle vzorečku: c) c) c)Součet vypočítaných rozdílů je hodnota chí-kvadrátu: • • •5. PODMÍNKY PRO POUŽITÍ TESTU • Všechny teoretické četnosti musí být větší než 5. • TEST HYPOTÉZY O NEZÁVISLOSTI Hodnocení závislosti kvalitativních znaků • • • •Lze předpokládat tyto výsledky testu: a)mezi empirickými a teoretickými četnostmi není statisticky významný rozdíl, zjištěné rozdíly nejsou natolik velké, aby nemohly být způsobeny náhodou • (kritická hodnota je větší než vypočítaná) • • •b) mezi empirickými a teoretickými četnostmi je statisticky významný rozdíl, zjištěné rozdíly jsou natolik velké, že nemohou být způsobeny náhodou • • • Pomocná tabulka pro výpočet testovací charakteristiky χ² • • • ∑ = 8,334 = χ² Výsledek a interpretace příkladu • •χ² = 8,33 •f = (2-1). (2-1) = 1 •5% k.h. = 3,84, 1% k.h.= 6,63 •8,33 > 6,63 → • Ho zamítáme na 1% HV, • přijímáme HA o závislosti jevů A a B (závislost mezi kouřením a Ca plic). • • Snímek 003.JPG Závislost dvou alternativních znaků •Pro čtyřpolní tabulku (typu 2x2) můžeme hodnotu veličiny χ² počítat jednodušeji (lze použít, jsou-li všechny očekávané četnosti >5): • Testovací charakteristika χ² (chí kvadrát) •aproximativní test, slouží pouze k zamítnutí či nezamítnutí Ho o nezávislosti • ( neříká nic o směru ani síle z.) •důkaz objektivní existence závislosti, • ne příčinnosti! •jsou-li rozdíly mezi teor. a emp. četnostmi příliš velké, je malá pst, že se mýlíme, když Ho zamítáme a preferujeme HA (veličiny jsou závislé) •jsou-li rozdíly mezi četnostmi malé (→0), Ho nezamítáme, asociaci se nepodařilo prokázat • • Příklad k samostatnému řešení • V porodnici byla provedena retrospektivní studie, která hodnotila vztah mezi způsobem výživy (A1,A2) novorozenců a výskytem novorozeneckého ikteru u 210 novorozenců. • A1 = nový způsob výživy – mléko se podávalo častěji, v kratších intervalech, A2 = starý způsob výživy, méně časté podávání. •Úkol: • Testem χ² posuďte statistickou významnost závislost dvou hodnocených jevů, výsledek interpretujte. způsob výživy výskyt + ikteru - součet A1 61 49 110 A2 85 15 100 součet 146 64 210 Tabulka teoretických četností (za předpokladu platnosti Ho) • způsob výživy výskyt + ikteru - součet A1 76 34 110 A2 70 30 100 součet 146 64 210 •k.h. (0,05) = 3,84 f = (2 -1) . (2-1) = 1 •k.h. (0,01) = 6,63 •χ² (20,28) > 6,63 → zamítáme Ho o nezávislosti na 1% HV, přijímáme HA, prokázali jsme statisticky významnou závislost mezi způsobem výživy novorozence a výskytem novorozeneckého ikteru. • Kritické hodnoty Snímek 001.JPG Snímek 002.JPG Snímek 003.JPG SOUHRN - postup při hodnocení závislosti kvant. veličin 1)Udělat bodový graf, tím získáme rozumnou vizuální představu o typu závislosti. 2)Pro určení síly lineární závislosti je vhodný Pearsonův korelační koeficient r (-1; +1). Kladné hodnoty svědčí pro přímou závislost , záporné pro nepřímou. 3)Zhodnotit významnost korelačního koeficientu. Sílu závislosti posoudit podle velikosti r. 4)Korelace neznamená příčinnost. Nerozhoduje, která veličina je závislá, která nezávislá. 5)Nemůže-li se empirickými body proložit přímka, je třeba použít: • - transformace • - pořadový Spearmanův korelační koeficient Děkuji za pozornost, • • • a přeji hodně úspěchů u zápočtového testu a hlavně u zkoušky !!! MC900056981[1]