# 11. cvičení - chí-kvadrát # library(Rcmdr) # použijeme až časem # # rozhodněte, zda četnosti 95, 169, 89 odpovídají # ideálního štěpnému poměru 1 : 2 : 1 nn = c(95,168,89) # pozorované četnosti chisq.test(nn,p=c(.25,.50,.25)) ex = chisq.test(c(95,168,89),p=c(.25,.50,.25))$expected ex # očekávané četnosti rbind(nn,ex) chi2 = (95-96)^2/96+(200-192)^2/192+(89-96)^2/96 chi2 # ověření hodnoty chí-kvadrát 1-pchisq(chi2,2) # ověření p-hodnoty # Distributions | Continuous .. | Chi ... | Plot ... degrees of .. 2 abline(v=chi2,col="red") abline(v=0,lty=3) # je vidět, kam padla naše hodnota chí-kvadrát # p-hodnota je plocha napravo od červené čáry pod hustotou # nn = c(95,244,89) chisq.test(nn,p=c(.25,.50,.25)) chisq.test(nn,p=c(.25,.50,.25))$stat abline(v=chisq.test(nn,p=c(.25,.50,.25))$stat,col="blue") # # lze považovat za reprezentativní vzorek dospělých žen, # v němž je # 180 žen svobodných # 239 žen vdaných # 75 žen rozvedených # 4 ženy ovdovělé # když v odpovídající věkové kategorii populace jsou # skutečné podíly žen rovny po řadě 34,27 %, 52,02 %, # 12,50 % a 1,21 %? nn = c(180,239,75,4) pst = c(34.27, 52.02, 12.5, 1.21)/100 chisq.test(nn,p=pst) # neprokázali jsme nereprezentativnost vůči danému znaku # můžeme jej považovat za reprezentativní # # kontingenční tabulky # # vzdělání snoubenců # nevěsta # ženich základní střední VŠ # základní 24 12 3 # střední 7 24 3 # VŠ 3 9 15 # Statistics | Contingency .. | Enter and ... # naťukat data, # zvolit Chi-square ..., Print expected ... # komentovat velikost nejmenší očekávané četnosti # srovnání empirických a očekávaných četností # # data Kojeni # souvisí přítomnost otce u porodu se vzděláním matky? # Statistics | Contingency .. | Two-way ... # hodí se volit pořadí Otec, Vzdelani # column percentages # # lze považovat vzdělanostní strukturu matek za stejnou # v Praze a v okresní nemocnici? # # je podíl dětí, které dostaly dudlík stejný # u dětí "planovaných" i "neplánovaných"? # Statistics | Contingency .. | Two-way ... # nebo # Statistics | Proportions | Two-sample .. #