Az R statisztikai programozási környezet: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig
|
|
- Donát Pintér
- 5 évvel ezelőtt
- Látták:
Átírás
1 : az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig Ferenci Tamás ferenci.tamas@nik.uni-obuda.hu február 23.
2 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
3 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
4 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
5 Adattípusok Semmi meglepetés, van: Logikai Sztring (R szóhasználat: character) Szám (ebben flexibilis, nem kell ennél pontosabban megadni) Ami kicsit statisztikusabb: Kategoriális (R szóhasználat: factor, ordered és unordered) Dátum, idősor és egyéb egzotikumok Bármelyik lehet missing value (NA), ez nagyon jól kezelt
6 Adatstruktúrák Egydimenziós, homogén: vektor Kétdimenziós (szigorúan téglalap!), homogén: mátrix Egydimenziós, heterogén: lista Kétdimenziós (szigorúan téglalap!), heterogén: adatkeret (data frame)
7 Például 1 data ( b i r t h w t ) 2 head ( b i r t h w t ) low age lwt race smoke ptl ht ui ftv bwt black other white white white other
8 Például 1 s t r ( b i r t h w t ) data.frame : 189 obs. of 10 variables: $ low : int $ age : int $ lwt : int $ race : Factor w/ 3 levels "white","black",..: $ smoke: int $ ptl : int $ ht : int $ ui : int $ ftv : int $ bwt : int
9 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
10 Programszervezés Van: Változó, értékadás, függvény-fogalom Lehet objektum-orientáltnak is lenni... de csak ha nagyon akar az ember Elágazás Ciklus... de nem szeretjük! R-ben szinte minden, amihez ciklus kell, megoldható anélkül is (és jobb is úgy!)
11 Programszervezés Van: Változó, értékadás, függvény-fogalom Lehet objektum-orientáltnak is lenni... de csak ha nagyon akar az ember Elágazás Ciklus... de nem szeretjük! R-ben szinte minden, amihez ciklus kell, megoldható anélkül is (és jobb is úgy!)
12 Programszervezés Van: Változó, értékadás, függvény-fogalom Lehet objektum-orientáltnak is lenni... de csak ha nagyon akar az ember Elágazás Ciklus... de nem szeretjük! R-ben szinte minden, amihez ciklus kell, megoldható anélkül is (és jobb is úgy!)
13 Programszervezés Van: Változó, értékadás, függvény-fogalom Lehet objektum-orientáltnak is lenni... de csak ha nagyon akar az ember Elágazás Ciklus... de nem szeretjük! R-ben szinte minden, amihez ciklus kell, megoldható anélkül is (és jobb is úgy!)
14 Programszervezés Van: Változó, értékadás, függvény-fogalom Lehet objektum-orientáltnak is lenni... de csak ha nagyon akar az ember Elágazás Ciklus... de nem szeretjük! R-ben szinte minden, amihez ciklus kell, megoldható anélkül is (és jobb is úgy!)
15 Programszervezés Van: Változó, értékadás, függvény-fogalom Lehet objektum-orientáltnak is lenni... de csak ha nagyon akar az ember Elágazás Ciklus... de nem szeretjük! R-ben szinte minden, amihez ciklus kell, megoldható anélkül is (és jobb is úgy!)
16 Adatimport- és export Szinte minden formátumból tudunk olvasni, és írni Webes dolgok is jól működnek (XML, JSON stb. is)
17 Adatmanipuláció Indexelés (logikai vektorral, pozíciókkal, névvel; valamint mindez negálható is) Összefűzés (oszlop és sor szerint, illetve vektorok egymás mögé) Mintázatgenerálás Már így is elég erőteljes, de a data.table-lel igazán elképesztő
18 Alapvető adatfeldolgozás Alapvető aritmetika (számokkal és vektorokkal, valamint mátrix-műveletek) Nem-is-annyira-alapvető matematikai műveletek (mátrix spektrálfelbontása, lineáris egyenletrendszerek megoldása stb. mint egy-egy sor) Alapvető sztring-műveletek (hossz, rész-sztring kivágás, reguláris kifejezésekkel keresés stb.)
19 Konzisztens terminológia Egy modell (lásd később, hogy micsoda, most csak a szintaxis a lényeg): 1 lm ( b i r t h w t $bwt ~ b i r t h w t $ l w t + b i r t h w t $smoke ) Ráadásul csak a fekete anyák körében: 1 lm ( b i r t h w t $bwt [ b i r t h w t $ r a c e==" b l a c k " ] ~ b i r t h w t $ l w t [ b i r t h w t $ r a c e ==" b l a c k " ] + b i r t h w t $smoke [ b i r t h w t $ r a c e==" b l a c k " ] ) Ez azonban ugyanaz mint: 1 lm ( bwt ~ l w t + smoke, data = b i r t h w t, s u b s e t = r a c e==" b l a c k " )
20 Konzisztens terminológia Egy modell (lásd később, hogy micsoda, most csak a szintaxis a lényeg): 1 lm ( b i r t h w t $bwt ~ b i r t h w t $ l w t + b i r t h w t $smoke ) Ráadásul csak a fekete anyák körében: 1 lm ( b i r t h w t $bwt [ b i r t h w t $ r a c e==" b l a c k " ] ~ b i r t h w t $ l w t [ b i r t h w t $ r a c e ==" b l a c k " ] + b i r t h w t $smoke [ b i r t h w t $ r a c e==" b l a c k " ] ) Ez azonban ugyanaz mint: 1 lm ( bwt ~ l w t + smoke, data = b i r t h w t, s u b s e t = r a c e==" b l a c k " )
21 Konzisztens terminológia Egy modell (lásd később, hogy micsoda, most csak a szintaxis a lényeg): 1 lm ( b i r t h w t $bwt ~ b i r t h w t $ l w t + b i r t h w t $smoke ) Ráadásul csak a fekete anyák körében: 1 lm ( b i r t h w t $bwt [ b i r t h w t $ r a c e==" b l a c k " ] ~ b i r t h w t $ l w t [ b i r t h w t $ r a c e ==" b l a c k " ] + b i r t h w t $smoke [ b i r t h w t $ r a c e==" b l a c k " ] ) Ez azonban ugyanaz mint: 1 lm ( bwt ~ l w t + smoke, data = b i r t h w t, s u b s e t = r a c e==" b l a c k " )
22 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
23 Funkcionális programozás az R-ben Valamilyen szinte persze minden multi-paradigm De az R-hez érezhetően nagyon passzol a funkcionális paradigma Függvény átadható gátlástalanul függvénynek paraméterként Függvény alkalmazható listára Nagyon erőteljes tud lenni
24 Funkcionális programozás az R-ben Valamilyen szinte persze minden multi-paradigm De az R-hez érezhetően nagyon passzol a funkcionális paradigma Függvény átadható gátlástalanul függvénynek paraméterként Függvény alkalmazható listára Nagyon erőteljes tud lenni
25 Funkcionális programozás az R-ben Valamilyen szinte persze minden multi-paradigm De az R-hez érezhetően nagyon passzol a funkcionális paradigma Függvény átadható gátlástalanul függvénynek paraméterként Függvény alkalmazható listára Nagyon erőteljes tud lenni
26 Funkcionális programozás az R-ben Valamilyen szinte persze minden multi-paradigm De az R-hez érezhetően nagyon passzol a funkcionális paradigma Függvény átadható gátlástalanul függvénynek paraméterként Függvény alkalmazható listára Nagyon erőteljes tud lenni
27 Funkcionális programozás az R-ben Valamilyen szinte persze minden multi-paradigm De az R-hez érezhetően nagyon passzol a funkcionális paradigma Függvény átadható gátlástalanul függvénynek paraméterként Függvény alkalmazható listára Nagyon erőteljes tud lenni
28 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
29 Statisztikai funkciók az R-ben 19 eloszlást ismer (mindegyikre sűrűség-, eloszlás- és kvantilis-függvény, valamint véletlenszám-generálás, egységes terminológiával) Deskriptív statisztika (analitikus mutatók): átlag, medián, szórás, IQR, MAD, tartomány,... Kereszttábla Vizualizáció: hisztogram, magfüggvényes sűrűségbecslése, boxplot, szóródási diagram, QQ-ábra,... Induktív statisztika: számos becslés és hipotézisvizsgálat beépítve
30 Egydimenziós deskriptív statisztika (analitikus mutatók) 1 mean ( b i r t h w t $bwt ) [1] median ( b i r t h w t $bwt ) [1] sd ( b i r t h w t $bwt ) [1]
31 Egydimenziós deskriptív statisztika (analitikus mutatók) 1 mean ( b i r t h w t $bwt ) [1] median ( b i r t h w t $bwt ) [1] sd ( b i r t h w t $bwt ) [1]
32 Egydimenziós deskriptív statisztika (analitikus mutatók) 1 mean ( b i r t h w t $bwt ) [1] median ( b i r t h w t $bwt ) [1] sd ( b i r t h w t $bwt ) [1]
33 Egydimenziós adatvizualizáció 1 h i s t ( b i r t h w t $bwt ) Histogram of birthwt$bwt Frequency birthwt$bwt
34 Kis kitérő: minden testreszabható (És nagyon konzisztens terminológiával) 1 h i s t ( b i r t h w t $bwt, b r e a k s = seq ( 500, 5500, 750 ), x l a b = " Szü l e t é s i t ömeg [ g ] ", main = "Ú j s z ü l ö t t e k s z ü l e t é s i t ömegé nek e l o s z l á sa ", y l a b = " G y a k o r i s ág [ f ő ] ", c o l = " b l u e ", b o r d e r = " r e d " ) Újszülöttek születési tömegének eloszlása Gyakoriság [fő] Születési tömeg [g]
35 Egydimenziós adatvizualizáció 1 b o x p l o t ( b i r t h w t $bwt )
36 Egydimenziós adatvizualizáció 1 p l o t ( d e n s i t y ( b i r t h w t $bwt ) ) density.default(x = birthwt$bwt) Density 0e+00 1e-04 2e-04 3e-04 4e-04 5e N = 189 Bandwidth = 230
37 Kétdimenziós deskriptív statisztika (analitikus mutatók) 1 t a b l e ( b i r t h w t $ race, b i r t h w t $ ht ) 0 1 white 91 5 black 23 3 other 63 4
38 Kétdimenziós deskriptív statisztika (analitikus mutatók) 1 prop. t a b l e ( t a b l e ( b i r t h w t $ race, b i r t h w t $ ht ), 1 ) 0 1 white black other
39 Kétdimenziós adatvizualizáció 1 p l o t ( b i r t h w t $bwt, b i r t h w t $ l w t ) birthwt$lwt birthwt$bwt
40 Kétdimenziós adatvizualizáció 1 b o x p l o t ( bwt ~ race, data = b i r t h w t ) white black other
41 Induktív statisztika 1 t. t e s t ( low ~ smoke, data = b i r t h w t ) Welch Two Sample t-test data: low by smoke t = , df = , p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean in group 0 mean in group
42 Induktív statisztika 1? t. t e s t x a (non-empty) numeric vector of data values. y an optional (non-empty) numeric vector of data values. alternative a character string specifying the alternative hypothesis, must be one of "two.sided" (default), "greater" or "less". You can specify just the initial letter. mu a number indicating the true value of the mean (or difference in means if you are performing a two sample test). paired a logical indicating whether you want a paired t-test. var.equal a logical variable indicating whether to treat the two variances as being equal. If TRUE then the pooled variance is used to estimate the variance otherwise the Welch (or Satterthwaite) approximation to the degrees of freedom is used. conf.level confidence level of the interval. és így tovább...
43 Statisztikai modellek az R-ben Számos beépített modell (lineáris modell, általánosított lineáris modell, így logisztikus regresszió és Poisson-regresszió is), például: 1 f i t < lm ( bwt ~ l w t + r a c e + age + smoke, data = b i r t h w t )
44 Praktikus elemzések automatikusan 1 f i t Call: lm(formula = bwt ~ lwt + race + age + smoke, data = birthwt) Coefficients: (Intercept) lwt raceblack raceother age smoke
45 Praktikus elemzések automatikusan 1 summary ( f i t ) Call: lm(formula = bwt ~ lwt + race + age + smoke, data = birthwt) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-16 *** lwt * raceblack ** raceother ** age smoke *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 183 degrees of freedom Multiple R-squared: ,Adjusted R-squared: F-statistic: on 5 and 183 DF, p-value: 1.758e-05
46 Praktikus elemzések automatikusan 1 par ( mfrow = c ( 2, 2 ) ) 2 p l o t ( f i t ) Residuals vs Fitted Normal Q-Q Residuals Standardized residuals Fitted values Theoretical Quantiles Standardized residuals Scale-Location Standardized residuals Residuals vs Leverage Cook's distance Fitted values Leverage
47 A könyvtárakról általában Lattice rms Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
48 A könyvtárakról általában Lattice rms Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
49 A könyvtárakról általában Lattice rms Az R-könyvtárak A mai nap (!!!) hivatalos könyvtár érthető el (Nyílt forráskód előnye, annak előnye, hogy sokan használják... ) Központi, hivatalos repozitórium (CRAN) Pezsgő élet a Github-on
50 A könyvtárakról általában Lattice rms Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
51 A könyvtárakról általában Lattice rms Adatvizualizáció szépen és tisztán 1 p l o t ( b i r t h w t $bwt, b i r t h w t $ l w t ) birthwt$lwt birthwt$bwt
52 A könyvtárakról általában Lattice rms Adatvizualizáció szépen és tisztán 1 x y p l o t ( l w t ~ bwt, data = b i r t h w t ) lwt bwt
53 A könyvtárakról általában Lattice rms Adatvizualizáció szépen és tisztán 1 x y p l o t ( l w t ~ bwt, data = b i r t h w t, g r o u p s = race, auto. key = l i s t ( columns = 3 ) ) white black other lwt bwt
54 A könyvtárakról általában Lattice rms Adatvizualizáció szépen és tisztán 1 x y p l o t ( l w t ~ bwt race, data = b i r t h w t, l a y o u t = c ( 3, 1 ) ) white black other lwt bwt
55 A könyvtárakról általában Lattice rms Adatvizualizáció szépen és tisztán 1 x y p l o t ( l w t ~ bwt, data = b i r t h w t, t y p e = c ( " p ", " smooth " ) ) lwt bwt
56 A könyvtárakról általában Lattice rms Adatvizualizáció szépen és tisztán 1 x y p l o t ( l w t ~ bwt, data = b i r t h w t, p a n e l = f u n c t i o n (... ) { 2 p a n e l. x y p l o t (... ) 3 p a n e l. smoother (... ) 4 } ) lwt bwt
57 A könyvtárakról általában Lattice rms Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
58 A könyvtárakról általában Lattice rms Regressziós modellezés a teljes folyamat átfogva 1 f i t < lm ( bwt ~ l w t + r a c e + age + smoke, data = b i r t h w t ) 2 summary ( f i t ) Call: lm(formula = bwt ~ lwt + race + age + smoke, data = birthwt) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-16 *** lwt * raceblack ** raceother ** age smoke *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 183 degrees of freedom Multiple R-squared: ,Adjusted R-squared: F-statistic: on 5 and 183 DF, p-value: 1.758e-05
59 A könyvtárakról általában Lattice rms Regressziós modellezés a teljes folyamat átfogva 1 f i t < o l s ( bwt ~ lwt + r a c e + age + smoke, data = birthwt, x = TRUE, y = TRUE ) 2 f i t Linear Regression Model ols(formula = bwt ~ lwt + race + age + smoke, data = birthwt) Model Likelihood Discrimination Ratio Test Indexes Obs 189 LR chi R sigma d.f. 5 R2 adj d.f. 183 Pr(> chi2) g Residuals Min 1Q Median 3Q Max Coef S.E. t Pr(> t ) Intercept < lwt race=black race=other age smoke
60 A könyvtárakról általában Lattice rms Regressziós modellezés a teljes folyamat átfogva 1 p l o t ( summary ( f i t ), pch = 19 ) lwt - 140:110 bwt age - 26:19 smoke - 1:0 race - black:white race - other:white
61 A könyvtárakról általában Lattice rms Regressziós modellezés a teljes folyamat átfogva 1 p < p e n t r a c e ( f i t, seq ( 0, 100, 0. 1 ) ) 2 p l o t ( p ) 3 f i t < update ( f i t, p e n a l t y = p$ p e n a l t y ) Information Criterion (c 2 scale) Penalty Solid: AIC_c Dotted: AIC Dashed: BIC
62 A könyvtárakról általában Lattice rms Regressziós modellezés a teljes folyamat átfogva 1 f i t < o l s ( bwt ~ l w t + r a c e + r c s ( age ) + smoke, data = b i r t h w t, x = TRUE, y = TRUE ) 2 p l o t ( P r e d i c t ( f i t ), anova = anova ( f i t ), p v a l = TRUE ) race F 2,180 = 8.2 P < smoke F 1,180 = 12 P < bwt white black other age lwt F 4,180 = 1.6 P = F 1,180 = 5.4 P =
63 A könyvtárakról általában Lattice rms Regressziós modellezés a teljes folyamat átfogva 1 p l o t ( c a l i b r a t e ( f i t ) ) Observed bwt Apparent Bias-corrected Ideal B= 40 repetitions, boot Predicted bwt Mean absolute error= n=189
64 Tartalom Az R mint programozási nyelv A könyvtárakról általában Lattice rms
65 A Nemzeti Rákregiszter adatainak feldolgozása
1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit.
1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit. 1., Határozza meg az átlagos egyedszámot és a szórást. Egyedszám (x i )
RészletesebbenBIOMETRIA_ANOVA_2 1 1
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenKISTERV2_ANOVA_
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenSTATISZTIKA PRÓBAZH 2005
STATISZTIKA PRÓBAZH 2005 1. FELADATSOR: számítógépes feladatok (még bővülni fog számítógép nélkül megoldandó feladatokkal is) Használjuk a Dislexia Excel fájlt (internet: http:// starts.ac.uk)! 1.) Hasonlítsuk
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests
Nonparametric Tests Petra Petrovics Hypothesis Testing Parametric Tests Mean of a population Population proportion Population Standard Deviation Nonparametric Tests Test for Independence Analysis of Variance
RészletesebbenKabos Sándor. Térben autokorrelált adatrendszerek
Kabos Sándor Térben autokorrelált adatrendszerek elemzése Összefoglalás az előadás példákon szemlélteti a térben autokorrelált adatok blokkosításának és összefüggésvizsgálatának jellemző tulajdonságait.
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.
Correlation & Linear Regression in SPSS Petra Petrovics PhD Student Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
RészletesebbenCorrelation & Linear Regression in SPSS
Correlation & Linear Regression in SPSS Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise 1 - Correlation File / Open
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenStatisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák
Statisztikai hipotézisvizsgálatok Paraméteres statisztikai próbák 1. Magyarországon a lakosság élelmiszerre fordított kiadásainak 2000-ben átlagosan 140 ezer Ft/fő volt. Egy kérdőíves felmérés során Veszprém
RészletesebbenIdősoros elemzés. Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7.
Idősoros elemzés Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7. A felhasznált adatbázisról Elemzésemhez a tanszéki honlapon rendelkezésre bocsátott TimeSeries.xls idősoros adatgyűjtemény egyik idősorát,
RészletesebbenIdősoros elemzés minta
Idősoros elemzés minta Ferenci Tamás, tamas.ferenci@medstat.hu A felhasznált adatbázisról Elemzésemhez a francia frank árfolyamának 1986.01.03. és 1993.12.31. közötti értékeit használtam fel, mely idősorban
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Nonparametric Tests. Petra Petrovics.
Nonparametric Tests Petra Petrovics PhD Student Hypothesis Testing Parametric Tests Mean o a population Population proportion Population Standard Deviation Nonparametric Tests Test or Independence Analysis
RészletesebbenEsetelemzés az SPSS használatával
Esetelemzés az SPSS használatával A gepj.sav fileban négy különböző típusú, összesen 80 db gépkocsi üzemanyag fogyasztási adatai találhatók. Vizsgálja meg, hogy befolyásolja-e az üzemanyag fogyasztás mértékét
RészletesebbenSTATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenGyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos
Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek Dr. Dombi Ákos (dombi@finance.bme.hu) ESETTANULMÁNY 1. Feladat: OTP részvény átlagárfolyamának (Y=AtlAr) stacionaritás
RészletesebbenStatisztika II. feladatok
Statisztika II. feladatok 1. Egy női ruhákat és kiegészítőket forgalmazó üzletlánc 118 egységénél felmérést végzett arról, milyen tényezők befolyásolják a havi összbevételüket (EUR). a) Pótolja ki a táblázatok
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
Részletesebben: az i -ik esélyhányados, i = 2, 3,..I
Kabos: Adatelemzés Ordinális logisztikus regresszió-1 Többtényezős regresszió (az adatelemzésben): Y közelítése b 1 X 1 + b 2 X 2 +... + b J X J alakban, y n = b 1 x n,1 + b 2 x n,2 +... + b J x n,j +
RészletesebbenStatistical Inference
Petra Petrovics Statistical Inference 1 st lecture Descriptive Statistics Inferential - it is concerned only with collecting and describing data Population - it is used when tentative conclusions about
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenFogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenStatisztika II előadáslapok. 2003/4. tanév, II. félév
Statisztika II előadáslapok 3/4 tanév, II félév BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT Egyik konzervgyár vágott zöldbabot exportál A szabvány szerint az üvegek nettó töltősúlyának az átlaga 3 g, a szórása 5 g Az
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis
Factor Analysis Factor analysis is a multiple statistical method, which analyzes the correlation relation between data, and it is for data reduction, dimension reduction and to explore the structure. Aim
RészletesebbenNormál eloszlás. Gyakori statisztikák
Normál eloszlás Átlag jól jellemzi az adott populációt folytonos eloszlás (pl. lottó minden szám egyszer fordul elő) kétkúpú eloszlás (IQ mindenki vagy zseni vagy félhülye, átlag viszont azt mutatja,
RészletesebbenStatisztikai szoftverek esszé
Statisztikai szoftverek esszé Dávid Nikolett Szeged 2011 1 1. Helyzetfelmérés Adott egy kölcsön.txt nevű adatfájl, amely információkkal rendelkezik az ügyfelek életkoráról, családi állapotáról, munkaviszonyáról,
RészletesebbenWIL-ZONE TANÁCSADÓ IRODA
WIL-ZONE TANÁCSADÓ IRODA Berényi Vilmos vegyész, analitikai kémiai szakmérnök akkreditált minőségügyi rendszermenedzser regisztrált vezető felülvizsgáló Telefon és fax: 06-33-319-117 E-mail: info@wil-zone.hu
RészletesebbenEsettanulmány. A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre. Tartalomjegyzék. 1. Bevezetés... 2
Esettanulmány A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre Tartalomjegyzék 1. Bevezetés... 2 2. A lineáris modell alkalmazhatóságának feltételei... 2 3. A feltételek teljesülésének
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós lineáris regresszió: modellszelekció Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Negyedik előadás, 2010. október
RészletesebbenEsetelemzések az SPSS használatával
Esetelemzések az SPSS használatával 1. Tekintsük az spearman.sav állományt, amely egy harminc tehenet számláló állomány etetés- és fejéskori nyugtalansági sorrendjét tartalmazza. Vizsgáljuk meg, hogy van-e
RészletesebbenTöbb laboratórium összehasonlítása, körmérés
Több oratórium összehasonlítása, körmérés colorative test, round robin a rendszeres hibák ellenőrzése, számszerűsítése Statistical Manual of AOAC, W. J. Youden: Statistical Techniques for Colorative Tests,
RészletesebbenMagyarországon személysérüléses közúti közlekedési balesetek okozóik és abból alkoholos állapotban lévők szerinti elemzése. Rezsabek Tamás GSZDI
Magyarországon személysérüléses közúti közlekedési balesetek okozóik és abból alkoholos állapotban lévők szerinti elemzése Rezsabek Tamás GSZDI Anyag és módszer Központi Statisztikai Hivatalának adatai
RészletesebbenFeltesszük, hogy a mintaelemek között nincs két azonos. ha X n a rendezett mintában az R n -ik. ha n 1 n 2
Kabos: Ordinális változók Hipotézisvizsgálat-1 Minta: X 1, X 2,..., X N EVM (=egyszerű véletlen minta) X-re Feltesszük, hogy a mintaelemek között nincs két azonos. Rendezett minta: X (1), X (2),..., X
RészletesebbenLOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála a független változó: névleges vagy sorrendi vagy folytonos skála BIOMETRIA2_NEMPARAMÉTERES_5 1 Y: visszafizeti-e a hitelt x: fizetés (életkor)
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Regression
Correlation & Regression Types of dependence association between nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation describes the strength of a relationship,
RészletesebbenMARKETINGKUTATÁS II. Oktatási segédanyag. Budapest, 2004. február
MARKETINGKUTATÁS II. Oktatási segédanyag Budapest, 2004. február Tartalomjegyzék ELŐSZÓ... 2 1 AZ SPSS-RŐL ÁLTALÁBAN... 3 1.1 DATA EDITOR... 3 1.2 VIEWER... 4 1.3 CHART EDITOR... 4 2 ADATBEVITEL... 5 2.1
RészletesebbenA modellben az X és Y változó szerepe nem egyenrangú: Y (x n )
Kabos: Adatelemzés Regresszió-1 Regresszió (az adatelemzésben): Y (x n ) = l(x n ) + ε n, n = 1, 2,.., N, ahol ε 1,.., ε N független N(0, σ 2 ) eloszlású valószínűségi változók, és σ ismeretlen paraméter,
RészletesebbenÉ í
É Ő É í í ő í ü í ü í Á Á Ü ö ü í í ú ő Ü ü ö í ö ö ü ö ő ü ö Í ö ű ü ü Ú ö í ú Ü ö ö ú Í ö Ü ú ü ö ö ö ö ő Ü ő ü ű í ü ö í í ü ö ő ő ő ö ö É Í É Í Á Ü ú ü ő í ű ő ö Í í ú í Ü Í ő Í Ú Ü ő í ű í Ü ű ő Ü
Részletesebbenö ü ü ö ö í Ö Í ü ö ü ö ü Á Á í ö Í í Í ö í Í ö Í ü üí ü ö Í ű ö í í
É Á É Á Ó Á É Ü Ú ö Ó ö ü ú ö ö ö ö ö ö ü ö ö Á Á É üí ö ö ü ü ö ö í Ö Í ü ö ü ö ü Á Á í ö Í í Í ö í Í ö Í ü üí ü ö Í ű ö í í ú ö Ó ö ö ö í ö ö ü ö í ö í í ö Í ö ö ö Í ö ö í Ó í ö í í í ö ö Í Ő í ö ö ö
Részletesebbení ü ü ú í ü ú ú É Á í ű Á ú í ü í Ő Ű í Ó ű í ü í ű Ú ú É í ü í í
Ő Ö ü Ö ú í Á í É ú í ü í ü ü ü í ü í ü í í ú í Ó ü í ü ü ú í ü ú ú É Á í ű Á ú í ü í Ő Ű í Ó ű í ü í ű Ú ú É í ü í í í í ü ű í ű í ű Ú í Á Á ű ú í í í ú Ő ü í í ü í Ú Ü É ü í ü í É í í Á í É ú ü í í í
Részletesebbenó í ú ő ó ó ü ő í ú ó ü Ö Í ö ő ü ö ö ó ő ü Ü ö Ö ö ü ó ü ú ö Ö í í ő ö ü ú ü ü ó í ő ő ü í ü É ő ő Í ö ö ó ő ó ó ő ü ö ü ő ó ő ő ö Ö ő ü ő ő ő ü ö ö
ő ö ü ú Ö ő ü ü ő ő ó ő ő ö ö í ő ü ő ő í ü ó ü ő í ú ü ő ó ő ó ú ö ü ő ü ő ő ő ü ő ó ő ü ö Ö ő ü ö Ö ő ü ú ü ö ő Í ő Í ú Í ü ő ó ü ö ü ő ó ő ü ő ó ü ő ó ó í ú ő ó ó ü ő í ú ó ü Ö Í ö ő ü ö ö ó ő ü Ü ö
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenBASH script programozás II. Vezérlési szerkezetek
06 BASH script programozás II. Vezérlési szerkezetek Emlékeztető Jelölésbeli különbség van parancs végrehajtása és a parancs kimenetére való hivatkozás között PARANCS $(PARANCS) Jelölésbeli különbség van
RészletesebbenÚ ű É ű ű Ü Ü ű ű Ú É ű ű Ü ű ű ű ű ű ű ű Ú ű ű
Ú ű ű ű ű ű ű ű ű Ú ű É ű ű Ü Ü ű ű Ú É ű ű Ü ű ű ű ű ű ű ű Ú ű ű É ű Ú Ú Ú Ú Ú ű Á Ú Ú Ú Ú ű Ú Ú ű É ű Ú Ú Ú Ú Ú Á ű Ó ű Ú É É Ú Ú ű É ű ű ű ű É ű Ő ű Ő ű ű ű ű ű É ű É Á ű ű Ü Á Ó ű ű ű Ú ű ű É ű ű Ú
Részletesebbenü ü Ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü É ü ü
ü ü É ű ű É É ű ü ű ü ü ü Á ü ü ü ü ü ű É ü ű É ű ü ü ü Ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü ü É ü ü ü Á ü ü ü ü ü Ú ü ü ű É ü ü ű ü ü ű ü ü ü ü É ü ü ü ü ü ü ü ü É ű ü Á ü ü ü ü ü Á Ö É ü ü ű Ú ü ü ü ű
RészletesebbenÓ é é Ó Ó ő ű Ó Ö ü Ó é Ó ő Ó Á Ö é Ö Ó Ó é Ó Ó Ó Ó ú Ó Ó Ó Ó ű Ö Ó Ó Ó é Ó Ó ö Ö Ó Ö Ö Ó Ó Ó é ö Ö é é Ü Ó Ö Ó é Ó é ö Ó Ú Ó ő Ö Ó é é Ö ú Ó Ö ö ű ő
É Ó Ű Á Ó É Ó Á É Ó Á ő ű Ó ú Ö ú é Ö Ó Ö ú Ó Ö ú Ó Ó Ó Ó ű é ű ű Ó Ó ú ű ű é é Ö ö Ö Ö Ó ű Ó Ö ü ű Ö Ó ő Ó ő Ó ú Ó ő Ó é Ó ű Ó Ó Ó Ó ú Ó Ó Ó Ó Ö Ó Ó ö ő ü é ü Ö é é é Á é Ó Ó ú ú ű é Ö é é é Ó é é Ó Ó
RészletesebbenÁ Ó ű ű Á É ű ű ű ű Ú Ú
Ö ű ű Ö Ü ű ű ű ű ű Ó ű Ü ű Á Ó ű ű Á É ű ű ű ű Ú Ú ű ű Á Á Á É ű ű ű ű ű ű ű ű ű ű É ű Ö Ó Ú ű ű ű ű Ü Ó Ú ű É É Ó É É Ó É É É É Ó ű ű ű ű ű Ü ű Á ű ű ű ű ű Ü ű ű ű ű ű ű Á ű Ú Á Á Ö É Á Á Ö É Ü ű ű Ü
RészletesebbenÁ Á ő ő Ö ő ő ö É ö ő ö ő ő ö ő ő ö ő ő ü ö
ű É É Á Á Á É Ó É É Á ö ő ő ö ő ő ő Ó ő ö ő ö ő ú ő ü ö ő ü ö Á É ű Á É É É Ö ö Á É É ő ő ö Á Á ő ő Ö ő ő ö É ö ő ö ő ő ö ő ő ö ő ő ü ö É É Á Ö ő ú ő ű Ö ü Ő É Ó É É Á Ó É Á É Ü É Á Ó É ő ő ö ö ő ö ö ö
Részletesebbenű Ú ű ű É Ú ű ű
ű ű ű ű Ú Á É Ú ű Ú ű ű É Ú ű ű ű Á ű ű ű ű ű Ü ű Á ű ű ű Á Á ű ű ű É ű ű ű Ú É ű ű ű ű ű ű ű ű Á É Á Ö Ü ű É ű ű Ö É Ü Ú ű Ó ű É Ó Ó Ó ű É Ü Ü ű ű Ú ű ű ű ű ű ű ű ű ű ű É ű ű Á Á ű Ú ű Ú ű ű Ó ű ű Ü Ü
Részletesebbenó ő ő ó ő ö ő ő ó ó ó ö ő ó ó ó ö ő ó ő ő ö Ö ő ö ó ő ö ő ő ú ö ö ü ö ó ö ö ö ő ö ö Ö ú ü ó ü ő ő ő ő ó ő ü ó ü ö ő ö ó ő ö ő ö ü ö ü ő ö ö ó ö ő ő ö
ü ö ő ö ő ó ö ő ü ü ö ő ó ó ü ő ö ő ö ő ö ü ö ő ö ő ó ö ü ü ö ő ő ő ö ő ö ü ö ő ó ő ö ü ö ő ő ű ő ö ö ő ű ő ü ö Ő ó ö ö ő ü ó ü ú ű ú ő ó ó ó ő ö ő ő ö ó ö ö ő ő ö ö ó ú ő ő ö ó ö ó ö ü ó ő ő ö ó ő ő ó
Részletesebbenű Ö ű Ú ű ű ű Á ű
ű ű Ó É É ű Ó ű Ü ű ű Ö ű Ú ű ű ű Á ű É ű Á ű ű ű ű ű ű ű ű ű ű ű Á ű ű Ö Ü Ö É ű ű Ü Ü ű É Á Ú É É ű ű ű Ö É ű É Ó É Á Á É ű ű Á ű ű ű Á É ű Ö Á ű ű ű Á ű Á É Ö Ó Ö ű ű ű ű ű ű ű Á É Á Á ű ű ű Á ű ű ű
RészletesebbenÓ Ó ö ú ö ö ö ö ü ú ú ö ö ö ú ú ö ö ö ú ú ú ű ö ö ú ö ü ö ö ö ö ü ú Á ö ü Á ö ö ö ö ö ö
É Ó ö É Á ű Ü Ü ö Ú ö ö ö ö ö ö ö ú ö ö ö ö ö ú ú ú ú ú ú ü ú ú ö ö ű ö ü ú ö Ó Ó ö ú ö ö ö ö ü ú ú ö ö ö ú ú ö ö ö ú ú ú ű ö ö ú ö ü ö ö ö ö ü ú Á ö ü Á ö ö ö ö ö ö Á Ó ú ö Á ö Á ö ú ú ö ö ö ö ü ü Ü ú
Részletesebbenű ű ű Ú Ú Á ű Ö ű ű Ú Ő É
Ü ű ű ű Ú Ú Á ű Ö ű ű Ú Ő É É ű Ö Ö Á É ű Ö Ö Á Ü Á ű ű Ó Ó Á Á É Ü É ű Ó Á Ó Á ű Ö ű ű É Ü Ö ű É Ö ű ű Ó ű ű Ú ű ű ű ű ű É ű É Ú Ö Á É ű ű Ó ű ű ű ű ű ű Ó ű Ü ű ű ű É ű ű Ü Ü ű ű Ő Á Á Á ű ű ű Ó Ó Ó ű
RészletesebbenÁ Ö Ö Ö Ö ú ú Ö Ö Ó Ó ú ú Ü ú Ó Ö Ö Ü Ó Ö Ö Á Ó ú ú ú ű Ö Ö Ö Ö Á Ó Ö Ó ú ú Ö
Ó ú ú ú ú ű ű ű ú Á Ö ű Á Ö Ö Ö Ö ú ú Ö Ö Ó Ó ú ú Ü ú Ó Ö Ö Ü Ó Ö Ö Á Ó ú ú ú ű Ö Ö Ö Ö Á Ó Ö Ó ú ú Ö Ú ű ú É Á Ó Ó É Ó Ó ú ű ű ű ú Ö Ó Ö ú ú Ö ú Ü ú Ü É Ö Á Á Á Á ú Ó Ö ú ú ú Ü Ö ú ú ú ú ú ú Ö ú Ö Ó ű
RészletesebbenÉ Á Á Ö Á
É Á Á Ö Á Á É Á Ü ű Á É Ü ű Ú ű ű É É ű ű Á ű ű ű ű ű É ű ű ű Á É É É ű Á É É Á É Á É Ü Ü ű Á Á Á ű Á Á Á Á Á Á Á Á Ü ű Á ű Ü É É Á Á Á É ű ű ű ű ű ű ű ű ű ű ű ű ű Á Á É É ű É ű Ő ű É Ő Á É É ű ű Ú Á
Részletesebbenö ő ü ö ő ő ü ü ő ő ő ü ö ü ü ő ú ő ő ő ü ő ő ő ő ő ú ő ő ü ő ő ő ü ö ü ú ő ő ő ő ü ü ő ő ú
ő ű ű ő ö ö Á ö ő ü ö ő ő ü ü ő ő ő ü ö ü ü ő ú ő ő ő ü ő ő ő ő ő ú ő ő ü ő ő ő ü ö ü ú ő ő ő ő ü ü ő ő ú ő ö Á Ó ő ő ü ú ő ő ő ő Á ő ú ű ő ő ő ü ú ő ő ő ő ő ő ő ő ö ü ú ő ő ő ő ű ű ő ő ö ű ü ő ő ő ö ö
Részletesebbené ü ó ö é Ö é ü é é ó ö é ü ü é é ó ó ó é Á é é ü ó é ó ó é ö ö ö é é ü é ü é é ö ü ü é ó é é é é é é ö é é é é é é ö é ó ö ü é é é ü é é ó é ü ó ö é
Ó Ö é ü ó ö é é ü é é ó ö é ü ü é é ó é é é é é é ö é é é é é é é ó ö ü é é é ü ó ö é Ö é ü é é ó ö é ü ü é é ó ó ó é Á é é ü ó é ó ó é ö ö ö é é ü é ü é é ö ü ü é ó é é é é é é ö é é é é é é ö é ó ö ü
Részletesebbenó Ó ú ó ó ó Á ó ó ó Á ó ó ó ó Á ó ú ó ó ó
É ó ú ó ú ó Á ó ó ú ó ó ó ú ó ó ó ó ú ó ó ó ó ó ó ú ó ó ú ó ó ó ó Ó ú ó ó ó Á ó ó ó Á ó ó ó ó Á ó ú ó ó ó Ö ó ó ó ó ó ó ó ó ó ó ó ó Ü ó ű ú ú ó ó ó ó ó ó ó É ó É ó É ó ó ó ó ó ó É ó ú ó ó É ó ó ó ó É ó
Részletesebbenú ö ö ö ö ö ö Á ö ö ö á á á ű Ü ű ö ö Á á Á
ú ú ö ö ö ö ö ö Á ö ö ö á á á ű Ü ű ö ö Á á Á Á ú á ú á Á ö á ö ö ö ú á á ö ö ö ö á ű Ü ú ö Ü ű ö ú ű á á á ú á ú ú á ö ö ú ö ú ú ö ö ú ö ö ö á ö ö ö á á ö ú ö á á Ú á ö ö ö Ü ú Á á ű ö Ü ö ú Á á ö á ö
Részletesebbenü ú ú ü ú ú ú ú
ú ú ú ü Ü ú ú ű ú ú ü ú ü ü ú ú ü ú ú ú ú ü ú Ö ü ü ü ú ü ú Ó ü ü ű ü Á Ü ü ű ü ű ü ű ű ü Ó ű ú ú ű ú ü ü ú ű ű ú ű ü ú ű ű ü ü ü ű ü ű ü ü ű ü ü ü ü ü ü ü ü ü ú ű ü ű Ó ü ü ü ú Á Ü ú ü ű ü Á Ü Ö Ú Á Á
RészletesebbenÓ Ó ó ö ó
É ó ö É Á ó ó ü ó Ü ó ö ú ű ö ö ö ü ó Ó Ó ó ö ó Ó Ó ö ö ö ü Ó Ó ö ö ü ö ó ó ü ü Ó Ó Ó Ó ó ö ó ö ó ö ó ö ü ö ö ü ö ó ü ö ü ö ö ö ü ü ö ü É ü ö ü ü ö ó ü ü ü ü Ó Ó ü ö ö ü ö ó ö ö ü ó ü ó ö ü ö ü ö ü ö ó
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
RészletesebbenRegresszió és ANOVA. Freedman: fejezet. Freedman: fejezet. Freedman: fejezet
Kabos: Statisztika II. Összefüggésvizsgálat 11.9 Slide 1 Slide 1 Slide 1 Összefüggésvizsgálat 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
RészletesebbenDÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA
STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL DÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST, 2014 1 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE
RészletesebbenPhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats
PhEur... Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats 00 80 60 0 0 00 80 60 0 0 catterplot of multiple variables against dose PhEur_.sta
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Hypothesis Testing. Petra Petrovics.
Hypothesis Testing Petra Petrovics PhD Student Inference from the Sample to the Population Estimation Hypothesis Testing Estimation: how can we determine the value of an unknown parameter of a population
RészletesebbenLogisztikus regresszió
Logisztikus regresszió Bekövetkezés esélye Valószínűség (P): 0 és 1 közötti valós szám, az esemény bekövetkezésének esélyét fejezi ki. Fej dobásának esélye: 1:2 = 1 2 = 0,5. Odds/esélyérték (O): a tét
Részletesebbenő í ö ü ö ő ő ü ö ü ő ő ö ö ö ü í ő ö ö ü í í í ü ő ő í í ú í ő
í ő í ö ü ö ő ő ü ö ü ő ő ö ö ö ü í ő ö ö ü í í í ü ő ő í í ú í ő í ő É ö ü ö ő ü ü ű ű ő í ö ö ű í ö ő ő ü ő ö ő ő ö í ö ő í üí ú í í ű ű ő ú ö ő ű ő í í ő ö ő ő ö ő í ú ö ö Í í ű í ú ü ö ö Ú ö í ő ö
Részletesebbenö ü ü ö Ő ü í ü í ü ö ö Ö ó ö ö ö ö ó ö ö ö í ü í Ő Ü ü ö í Á í ü ü ü ö ű ú ö ö ü í Ü Ő ü ü ó ó ó ó í í ó í ö ú ü ü Ö Ö ű ó í ó ó ü ú ü ü ö í ó Ő Ü ó
ö ö Á É ü Ő Ö í ü í ü í ó ó ó í í ó í ö ú ü ü ö ö ű ó í ó ó ü ú ü ü ö í ö ü ü ö Ő ü í ü í ü ö ö Ö ó ö ö ö ö ó ö ö ö í ü í Ő Ü ü ö í Á í ü ü ü ö ű ú ö ö ü í Ü Ő ü ü ó ó ó ó í í ó í ö ú ü ü Ö Ö ű ó í ó ó
RészletesebbenA biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézis Állítás a populációról (vagy annak paraméteréről) Példák H1: p=0.5 (a pénzérme
RészletesebbenÖ Ö Ö í í ü í ű ú í ú
Á Á Á Ú Í Á Á Á É É Á É Í Í É É ü Ú ű í ű í í í í Ö ű ű Ö ú ú Ö ú Ö Ö Ö í í ü í ű ú í ú ú Ö Á Á Á ű ú Á ű í í Ö ű í Ö ú ú Ö Ö ú Ö Ö Ö Ö ú ü í Ü í Ü ú Ü í Í í Ü í ü ü í í í ú Í ű ú Í Á ü ü í ü ü í í Ö ü
Részletesebbenü í ö í ó ö ö Ö í ü ó ó í ö ö ö ö ö í í ü í ó ö ö í ó ű ö í í ú ó ó í ó ö ü í í ó ó ö ó ó
í Á ö ó ü Ó Ö ö í ü ü ú ö ó ü í ö í ó ö ö Ö í ü ó ó í ö ö ö ö ö í í ü í ó ö ö í ó ű ö í í ú ó ó í ó ö ü í í ó ó ö ó ó í í ú ó ö ö í ü ö í í ó ö ó ö ü ö ó ö ó ö ú ü ú ö Ö ü ö í í í ö í ö í ö Ö í ú ö í í
RészletesebbenDiszkriminancia-analízis
Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független
RészletesebbenDescriptive Statistics
Descriptive Statistics Petra Petrovics DESCRIPTIVE STATISTICS Definition: Descriptive statistics is concerned only with collecting and describing data Methods: - statistical tables and graphs - descriptive
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely május 4. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2011. május 4. Outline 1 Korreláció 2 Standardizálás és dekompozíció 3 Grafikonok, ábrák Daróczi Gergely (PPKE BTK) Statisztika 2011-05-04
RészletesebbenMinőség-képességi index (Process capability)
Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenVálasztási modellek 3
Választási modellek 3 Prileszky István Doktori Iskola 2018 http://www.sze.hu/~prile Forrás: A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models Prepared For U.S. Department
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenBiztosítói káradatok matematikai modellezése
Biztosítói káradatok matematikai modellezése Szakdolgozat Készítette: Sebők Tamás Matematika B.Sc., Matematikai elemző szakirány Témavezető: Zempléni András, egyetemi docens Valószínűségelméleti és Statisztika
Részletesebbení ü Ó Ö Ö ó Ö í ú í ó ó ó í ü í í í ó Ö ó ü í í ó ü í ú ó í í í ü ó í ó í ó ó ü ü ó ó ó ű ű ó í ó í ó ó ű í í ű Á
ó Ö ü ü ó Ó Ö í ó ó ó í ó ó Ő ű í í í ó í ü ó í ó ó í í Á í ó ü í í ü ü ű í ó Ö ü ó ü ó ó ó ü ü í ű ű í í ű ü í Ú í í ü Ó Ö Ö ó Ö í ú í ó ó ó í ü í í í ó Ö ó ü í í ó ü í ú ó í í í ü ó í ó í ó ó ü ü ó ó
RészletesebbenÉ ú É ö ö ű ö ö ö ú ú ú ű ű ú ö ű ö ű ű ü ö ö ü ű ö ü ö ö ö ö ú ü ö ö ö ú ö ö ú ö ö ú ü ú ú ú ű ü ö ö ű ú ű ű ü ö ű ö ö ö ű ú ö ö ü ú ü ö ö ö ü ú ö ű
É É É Ó Á É ú É ö ö ű ö ö ö ú ú ú ű ű ú ö ű ö ű ű ü ö ö ü ű ö ü ö ö ö ö ú ü ö ö ö ú ö ö ú ö ö ú ü ú ú ú ű ü ö ö ű ú ű ű ü ö ű ö ö ö ű ú ö ö ü ú ü ö ö ö ü ú ö ű ü ű ö ö ú ö ú ö ö ö ö ö ü ú ü ö ö ö ö ö ü
Részletesebbení ű ő ü ó í ó í Ö ü í ő ó ő í ű ű ú ű ű ű ú úí ő í ü íő í ü ő í í ű ű ő í ü ű ó ő í ű ú ű ő ó ő í
ő ü ő ő ő ó Ö ő ü ő ü Á ő ő ő Á ű ő ő ő ő ő ő ő ő ó ő ü Ö í ő ü í ő í í Ö í Ó ú ó í ő ü í ó ó í ő í ő í í ű Ö í í ű í ő ű í í ű ű í í ű ű í í ű í ű ő ü ó í ó í Ö ü í ő ó ő í ű ű ú ű ű ű ú úí ő í ü íő í
RészletesebbenÉ Ö Á Í Á Ó Ö ü
Ö ű Ö ő ü ő ő ő ű Ö Ö ü Á Á É Ö Á Í Á Ó Ö ü Ö ű ű Ö ű ű ú ű ű ú ú ő ő ü ű ű É Ö ú ű ő ű ű ú ő ü Ö ú ú ő ő ú ű ü ő ü ű ú ú ű Ü ő ő Ó ü É Ó Ö Ö ú ü ü ü ü Ű ú Ö Á ü É Ó ű Á Ö Á ű ü ú Ö ű ű ű ü ő ő ő Á ő ő
Részletesebbenö É í ü í Ú ö ó ó ó ü ó í Ö í Ú í ö í í ó ű ö ű ö ű í ö Ö ű ü ö ü ö ű ü ó ü ó í ö ű ó í ó í ó ű í í ó í ü ű ü í ó í ü ú ó í í ó ü ü í í ó í ó í í ö í
ö É í í ü ö ö ű ü ö ö ű ü ö ű ó ó ö ü ü ó ó ó í ö í ö Ű í ö í ö ö ű ü ü ó ú ü Ö ö ű ö ú ö ö ű ü ö ű ö ö ó ö í ö ö ű ü ó ö ü ü ö ö ü ü ü ű í ó ü ú ü ü ú ö ü í ú ü ö í É ű í ü í ű ó ó ú ú ú ó ú ü ü ű ú í
RészletesebbenStatistical Dependence
Statistical Dependence Petra Petrovics Statistical Dependence Deinition: Statistical dependence exists when the value o some variable is dependent upon or aected by the value o some other variable. Independent
Részletesebbenú ú ö ö ü ü ü ü ű ü ü
Ü ú ű ű ú ű ú ú ö ö ü ü ü ü ű ü ü ö ö ö ö ö ö ű ö ö ö ö ö ö ö ö ö ü ü ü Ú ú ü ű ü ú ű ö ű ú ö ö ö ö Á ú ú ű Á ú Á Á Á ü ö ö Á ö ö ü Á ú Á ú Á Á Ö Á Á ö ű ö ö ü ú ü ú ö ú ű ú ú ü ü ü ü ű ű Ő ú ö ű ú ú ű
Részletesebben