Biosta'sz'ka és informa'ka
|
|
- Márk Horváth
- 5 évvel ezelőtt
- Látták:
Átírás
1 Az előadás céljai Biosta'sz'ka és iforma'ka 5. előadás: Becslés és megbízhatóság október 11. Agócs Gergely Források: Heréyi L (2016): Sta4sz4ka és Iforma4ka: 14. fejezet Reiczigel J, Haros A, Solymosi N (2014): Biosta'sz'ka em sta'sz'kusokak: 5. fejezet WolframMathWorld: Probability ad Sta's'cs: hup://mathworld.wolfram.com/topics/probabilityadsta's'cs.html - A becslés célja, Zpusai és folyamata - mita és alapsokaság más éve populáció - potbecslés és itervallumbecslés - mita, becslés, becsült és becslő érték - Mik a jó becslés tulajdoságai? - torzítatla, hatásos, kozisztes, elégséges - Stadard hiba (SE) megértése - Kofideciaitervallum (CI) megértése - kofideciaitervallumok helyes értelmezése - kofideciaitervallumok helyes feltütetése - Megtauli egyes paraméterek becslését: - valószíűség (röv.: valség) más éve alapsokaságbeli aráy - várható érték más éve alapsokaságbeli átlag - elméle' variacia (más éve szóráségyzet) és elméle' szórás - AdoU SE-hoz szükséges mitaelemszám számítása - Excel-függvéyek haszálata becsléshez 1 A becslés célja Alapsokaság: az összes lehetséges megfigyelés (általába végteleek tekiteu) halmaza. Mide vizsgálatuk erre a halmazra iráyul. A becslés célja De hogya határozhatjuk meg ezeket? Eloszlásfüggvéyek (CDF, PDF, PMF) Példa: érmefeldobás Modellalkotás (pusztá elméle4 megfotolások) Végezzük megfigyeléseket Paraméterek (, σ2, σ...) P(fej) = 1/2 & P(írás) = 1/2 Pl.: - testmagasság cm-be - szemszí - terhességek száma - sugárkárosodás foka két elemi eseméy, melyek - azoos valségűek (= feltesszük, hogy az érme szabályos) és - egyetemesek Egyes Valószíűségek De hogya határozhatjuk meg ezeket? 2 Ezt a módszert csak agyo korlátozova tudjuk haszáli Ez azt jele', hogy az érmét téylegese feldobjuk, de persze em végezhetjük el az összes lehetséges megfigyelést, mert: - eleve lehetetle (végtele számú ismétlés) - em célszerű (pl. törésteszt) - sokba kerül (időbe, pézbe...) 3
2 A becslés folyamata Alapsokaság: - eloszlás - paraméterek Mita: Becslések Zpusai - eloszlás - paraméterek Az emberek háy százaléka tartozik az Rh+ vércsoportba? Nem vizsgálhatuk meg mide embert. Vegyük az emberek egy részhalmazát (mita) és vizsgáljuk meg ezek elemeit. VÉLETLEN! EmiaU az alapsokaságak csak egy viszoylag kis részhalmazát vizsgáljuk. Ezt evezzük mitáak. Az alapsokaság mérete (végteleek vesszük) em tesi lehetővé, hogy mide elemét megfigyeljük: a közvetle megfigyelés em lehetséges Potbecslés: Itervallumbecslés: kb. 85% 83% 87% közöu MATEK BIZONYTALANSÁG! A mita jellemzőit felhaszálhatjuk az alapsokaságra voatkozó következtetések levoására Megvizsgáljuk a mitaelemeket, majd az így keletkező adathalmazt (melyet szité mitáak evezük) fogjuk függvéyekkel és számokkal jellemezi. KÖVETKEZTETÉS 4 csak egyetle érték, melyet becslő értékek evezük tartomáy A bizalom szitje, melyet ebbe a (becslő érték és hiba) tartomáyba vethetük, kifejezve egy + valószíűség 5 valószíűséggel Potbecslés Elméle4 (alapsokaság) értékek: CÉL 95%-os megbízhatósággal Meyire bízhatuk meg ebbe a számba? Fogalmuk sics! Potbecslés BehelyeVesítéses ( plug-i ) becslő é.: LÖVÉS Elméle4 (alapsokaság) értékek: BehelyeVesítéses ( plug-i ) becslő é.: LÖVÉS (diszkrét valségi változóra) CÉL - valség vagy aráy (pi) - várható érték ( alapsokaság átlaga ) (E(ξ) vagy ) E (ξ ) = = pi xi - elméle' variacia (Var(ξ) vagy σ2) 2 2 Var (ξ ) = σ 2 = E (ξ E (ξ )) = pi ( xi ) - elméle' szórás (SD(ξ) vagy σ) SD (ξ ) = σ = Var (ξ ) = p ( x ) i 2 i 6 7
3 Potbecslés Elméle4 (alapsokaság) értékek: BehelyeVesítéses ( plug-i ) becslő é.: (diszkrét valségi változóra) LÖVÉS CÉL - relazv gyakoriság p - valség vagy aráy (p i ) î = ( /) Excel: =DARABHATÖBB(adat)/DARAB2(adat) - várható érték ( alapsokaság átlaga ) (E(ξ) vagy ) - mita átlaga Excel: =ÁTLAG(adat) E ( ξ) = = p i k x = i = 1 - elméle' variacia (Var(ξ) vagy σ 2 ) Var( ξ) = σ 2 = E ξ E ( ξ ( )) 2 = p ( x i i )2 s **2 = - elméle' szórás (SD(ξ) vagy σ) - plug-i variacia (s** 2 ) ( )2 = 1 - plug-i szórás (s**, SD) ( x i ) 2... torzítatla A valószíűség (p i ) potbecslése relacv gyakorisággal (p i) Tekitsük az imét tault plug i becslő képletét: p î = ( /) E becslés végtele számú megismétlésével kapou becslő értékek átlaga maga a becsült érték (valség). A várható érték () potbecslése a mitaátlaggal (x ) x = Excel: =DARABHATÖBB(adat)/DARAB2(adat) = 1 Excel: =ÁTLAG(adat) SD( ξ) = σ = Var( ξ) = p i ( x i ) 2 s ** = 1 ( x i ) 2 8 Egy becslés torzítatla, ha a végteleszer megismételt becslésekkel kapov becslő értékek várható értéke megegyezik a becsült értékkel. 9 Az elméle4 variacia (σ 2 ) potbecslése s **2 = 1 ( x i ) 2... torzítatla Tekitsük az imét tault plug-i becslő (s** 2 ) képletét: s *2 = 1 x egy elméle' érték, melyet em ismerük. HelyeUe a mitaátlagot kell haszáluk. HelyeUesítsük be a várható érték helyére a mitaátlagot: Ez a képlet a mitaátlagra miimális, em a várható értékre. Ez torzítást okoz, a képlet alábecsli az elméle' szórást. Az /( 1) korrekciós szorzóval (Bessel s korrekcióak hívják) megszütethető a torzítás: (bizoyítás a jegyzetbe, em kell tudi) s 2 = 1 1 x = 1 x 1 Excel: =VAR.M(adat) Friedrich Bessel Az elméle4 szórás (σ) potbecslése A variacia becslő értékéhez hasolóa a szórás plug i -képlete is torzít: s * = 1 x IU a Bessel-korrekciós faktor /( 1) haszálata csak csökke4 de teljese em szüte4 meg a torzítást: (csak aszimpto'kusa, vagyis végtele agy mita eseté; oka: a gyökfüggvéy aszimmetrikussága) 1 s = x 1 Excel: =SZÓR.M(adat)... kevéssé torzít Ezt a kevéssé torzító (de em teljese torzítatla) becslést haszáljuk. 11
4 Potbecslés Elméle4 (alapsokaság) értékek: BehelyeVesítéses ( plug-i ) becslő é.: (diszkrét valségi változóra) LÖVÉS CÉL - relazv gyakoriság p î = ( /) - valség vagy aráy (p i ) Excel: =DARABHATÖBB(adat)/DARAB2(adat) - várható érték ( alapsokaság átlaga ) - mita átlaga Excel: =ÁTLAG(adat) (E(ξ) vagy ) E ( ξ) = = p i k x = i = 1 - elméle' variacia (Var(ξ) vagy σ 2 ) Var( ξ) = σ 2 = E ξ E ( ξ ( )) 2 = p x i i - elméle' szórás (SD(ξ) vagy σ) SD( ξ) = σ = Var( ξ) = p i ( x i ) 2 ( )2 - tapasztala' variacia (s 2 ) Excel: =VAR.M(adat) - tapasztala' szórás (s, SD) Excel: =SZÓR.M(adat) s 2 = 1 x 1 1 s = x 1 12 Egy 15-elemű mitát veuük (lásd a táblázatot). Haszáljuk az Excel-t az elméle' paramterek potbecslélsre! p(kék szem) p =4/15 = = 26,67% (testmagasság) x =ÁTLAG(adat) = 170 cm Potbecslés 1. feladat: Meg szereték becsüli a kékszeműek aráyát, valamit a testmagasság várható értékét, elméle' variaciáját és elméle' szórását a SOTÉ-s gólyák (elsőéves hallgatók) körébe. σ 2 (testmagasság) s 2 =VAR.M(adat) = 107,5 cm 2 σ(testmagasság) s =SZÓR.M(adat) = 10,4 cm Megfigyelés Szemszí Magasság sorszáma kék? (cm) 1 HAMIS HAMIS HAMIS HAMIS HAMIS IGAZ IGAZ HAMIS IGAZ HAMIS HAMIS HAMIS HAMIS IGAZ HAMIS hatásos Egy becslés hatásos, ha szórása (az ú. stadard hiba, SE) miimális. - A megismételt becslések egy sor becslő értéket eredméyezek, amelyek külöbözek egymástól a mitavétel véletleszerűsége miau (véletle hiba) - Tehát a becslő érték maga is egy véletle változó, melyek va elméle' eloszlása, várható értéke, elméle' szórása stb. - A becslő érték elméle' szórását stadard hibáak (stadard error, SE) evezzük Aráyok elméle' eloszlása: Biomiális eloszlás A következő diáko megtauljuk hogya kell kiszámoli az alábbi két becslő érték stadard hibáját. Átlagok elméle' eloszlása: Studet-féle t-eloszlás (df = 1) Aráy stadard hibája 1. példa: Meg szereték becsüli a kékszemű hallgatók aráyát a gólyák mit alapsokaság közöu. Egy = 15 elemű mitát veszük, melybe a kékszemek száma k = 4-ek adódik.mármegtaultuk, hogy az alapsokaságo belüli aráy (azaz valség, p) becslő értéke a relazv gyakoriság (p = k/), mely esetükbe 4/15 = 0,2667. Mekkora a becslés hibája? Tegyük fel, hogy a becsült érték megegyezik a becslő értékkel: p = 4/15. Számítógépes szimulációt haszálva vegyük 800 ilye mitát és készítsük relazv gyakorisági hisztogramot a kékszeműek mitáké' k számából (kék oszlopok). Ez elég jól közelí' a megfelelő elméle' eloszlást: a biomiális eloszlást (fekete voalrajz)
5 Aráy stadard hibája Aráy stadard hibája A korábbi előadásokba már megtault képletekkel számoljuk ki eze biomiális eloszlás paramétereit (, σ 2 és σ). Mivel aráyokat becslük, ezért a k változót k/ aráyá kell alakítauk, vagyis a vízszites tegelyt át kell skálázuk -el való osztással. Ugyaezt kell teük a biomiális eloszlás és σ paramétereivel is. Várható érték: = p = 4 Elméle' variacia: σ 2 = p(1 p) = 44/15 = 2,933 SD SD Várható érték = p = 4/15 SE SE Elméle' szórás: SD = p( 1 p) =1, Elméle' szórás = az aráy stadard hibája p( 1 p) = p( 1 p) SE = = 0,1142 SE aráy = p( 1 p) 1 k 17 Aráy stadard hibája Aráy stadard hibája Theore'cal Distribu'o of Propor'os: Biomial Distribu4o (ormalized to sample size) max( SE aráy ) = 1 4 Mekkora az -elemű mitából számolható aráyok lehető legmagasabb stadard hibája? A p(1 p) szorzat akkor maximális, ha p = 1 p = 0,5. Ez esetbe p(1 p) = 0,25 így a SE : max( SE aráy ) = 0, 5 ( 1 0, 5 ) = 0, 25 = 1 4 Ha egy taulmáy ugyaazo mitából (vagy azoos elemszámú mitákból) becsült több valséget is tartalmaz, akkor gyakra csak a maximális stadard hibát adják meg a fe' képlet segítségével. Pl. egy = 100-elemű mitából számolt aráy eseté a SE legfeljebb 0,05 lehet feladat: Mi a sarlósejtes aémia (SC) géhordozóiak prevaleciája (épessége belüli aráya) és a becslés stadard hibája Nigériába, ha 172 vizsgált emberből 43 hordozta a betegség géjét? Hordozók mitabeli aráya: p (SC) = k(sc)/ = 43/172 = 0,25. A hiba az imét tault képleuel számolható: SE aráy = p( 1 p) ˆp ( 1 ˆp ) 0, 25 = ( 1 0, 25 ) = 0, 033 = 3,3% feladat: Szereték egy vizsgálatba megbecsüli egyes króikus betegségek budapes' prevaleciáját. Milye mitaméretet javasolál, ha em akarjuk, hogy a becslés hibája az 1%-ot meghaladja? Mivel kokrét valséget vagy aráyt em ismerük, a legrosszab esetek tekithető 0,5-ös valséggel kell számoluk, melyek adou mitaméret SE aráy 1 eseté a legagyobb a stadard hibája. 4 1 A képletet átredezve kapjuk -t: 4( SE aráy ) = , 01 = Vagyis egy 2500-as mitaelemszám garatálja, hogy egy esetleges 0,5-ös prevalecia becslési hibája sem haladja meg az 1%-ot. (A jel azt jele', hgoy 0,5 alaü vagy feleü prevaleciák eseté kisebb mitás elégségesek leéek az SE 1% alau tartására.) 19
6 Átlag stadard hibája 2. példa: Meg szereték becsüli a gólyák testmagasságát. VeUük egy = 15 hallgatóból álló mitát, melyből az átlag x = 170 cm-ek, korrigált szórás s = 10 cm-ek adódou. Számítógépes szimulációval állítsuk elő az adateloszlást és a mitaátlagok eloszlását = 15- elemű mitákra. Kétszáz mitavétel (összese 3000 elem) szimulálása 'sztá mutatja, hogy az átlagok eloszlása léyegese keskeyebb, mit az adatoké. De meyivel? Átlag stadard hibája Ha az adatok szórását osztjuk a mitaelemszám () gyökével, megkapjuk az átlagok szórását. Ez utóbbit evezzük az átlag stadard hibájáak (SE átlag ). Az átlagok eloszlása (legalábbis közelítőleg) ormális a cetrális határeloszlás tétele miau. SE SE SD SD SE átlag = s x = σ adatok eloszlása: x = 170,01 cm SD = 9,947 cm átlagok eloszlása: x = 170,01 cm szórás = 2,507 cm 20 adatok eloszlása: x = 170,01 cm SD = 9,947 cm SD/ 0,5 = 9,947 cm/3,872 = 2,568 átlagok eloszlása: x = 170,01 cm SE átlag = 2,507 cm 21 Átlag stadard hibája Átlag stadard hibája Azoba az átlag hibáját (SE átlag ) többyire a mita szórásából számoljuk, így eloszlása 1 szabadsági fokú (degrees of freedom, df) Studet t- eloszlás lesz. Ez az eloszlás agy df eseté hasolít a ormális eloszláshoz, kis df eseté azoba jeletőse ehezebbek a szélei (leptokurto'kus). SE SE SE átlag = s x = σ s Elméle' modell: t-eloszlás x = 170,01 cm σ SE = 2,507 cm df = 1 = 14 William S. Gosset Studet feladat: Meg szereték becsüli a baá átlagos tömegét (várható értékét). Lemértük öt baát, az eredméyek: 134 g, 152 g, 158 g, 141 g, 170 g. Add meg a becslés hibáját. = 5 x = 151 g SD = 14,14 g SE átlag = 6,32 g 5. feladat: egy tudomáyos cikkbe a következő modat szerepelt:... a kísérletbe haszált patkáyok átlagtömege 420 g (SE = 20 g), míg átlagos életkora 5 hóap volt... A patkáyok számáról azoba em teszek említést. Mit godolsz, háy patkáyt haszálhauak, ha máshoa tudjuk, hogy az ilye korú patkáyok tömegéek szórása kb. 40 g? Az átlag szórása egyelő a változó szórása osztva a mitaelemszám gyökével. Redezzük át ezt a képletet -re: = (SD/SE) 2 = (40 g/20 g) 2 = 2 2 = 4 Megjegyzés: Ez egy eléggé alacsoy elemszám egy vizsgálathoz, mely megmagyarázhatja, hogy a szerzők miért em említeuék meg. Ez viszot az egész cikk hitelét megkérdőjelezi... 23
7 Valószíűség becsléséek stadard hibája: SE aráy = p( 1 p) 1 k... hatásos A becslés hatásos, ha szórása (értsd stadard hibája) miimális. Mitaaráyok Mitaátlagok elméle' eloszlása: elméle' eloszlása: biomiális eloszlás Studet-féle SE SE (mitaméretre t-eloszlás ormalizálva) (df = 1) SE SE Várható érték becsléséek stadard hibája: SE átlag = s x = σ s Általába kimodhatjuk, hogy a stadard hiba égyzete egyees aráyba áll a sta'sz'kai változó variaciájával, és fordítou aráyba a mita elemszámával. Vagyis a hatásosság megduplázásához égyszeres mitaméretre va szükség! 24 NÖVEKVŐ TORZÍTATLANSÁG... torzítatla és hatásos becsült érték egy becslő érték torzítás NÖVEKVŐ HATÁSOSSÁG vö. az Orvosi Biofizika Gyakorlatok jegyzet 17. MÉRÉSTECHNIKA fejezetéek 3. ábrájával: Mérési potosság és precizitás kozisztes Képzeljük el egyre agyobb méretű () mitáko elvégzev becslések sorozatát. Egy becslés kozisztes, ha a becslő érték a mitaméret övelésével egyre kevésbé tér el a becsült értéktől. Más szóval agyobb elemszám eseté kisebb lesz a torzítás és a stadard hiba is.... kozisztes = 2 = 5 = 2 mitátlagok relazv gyakoriságsűrűségi eloszlása ugyaeze mitaátlagok számegyeese ábrázolva = 25 = 100 A testmagasság várható értékéek becslésére 200 mitából számolt mitaátlagok eloszlása egyre övekvő mitaméretek eseté: = 2, 5, 25, ad
8 ... kozisztes A koziszteciát szigorú matema'kai módszerekkel kell vizsgáli (mi em fogjuk). EhelyeU csak szemléltessük a képleteike, hogy a valószíűség és a várható érték becslésére tault módszereik kozisztesek. Valószíűség becslése p î = ( /) A potbecslések torzítatlaok x = Várható érték becslése = 1... elégséges Egy becslés akkor elégséges, ha a becslő érték mide, a mitából kiyerhető iformációt tartalmaz, amely a becsült érték szempotjából relevás. Példa: Ha egy sta'sz'kai változót legalább itervallumskálá mérük, az átlag elégséges becslése a várható értékek, mivel a mita mide megfigyelt eleméek értékét felhaszálja. Azaz a teljes mita ismerete em ad több iformációt a várható értékre voatkozóa aál, mitha csak az átlagot ismerjük. Ellepélda: Ugyaebbe az esetbe a mediá em elégséges, mivel csak a mitaelemek ragját haszálja. SE aráy = p( 1 p) 1 k SE átlag = s x = σ s Elle-ellepélda: Ha azoba a sta'sz'kai változót csak ordiális szite mérjük, a mediá már elégséges becslő értéke a középértékek (mivel az átlag em haszálható). A hiba ullához tart, ha öveljük az elemszámot ( a evezőbe szerepel) torzítatla Végtelesok mitavételből számolt becslő értékek átlaga egyelő a becsült értékkel.... hatásos A becslés stadard hibája (vagyis a becslő értékek szórása) kicsi.... kozisztes A mitaméret övelésével egyre kevéssé tér el a becsült értéktől a becslő érték.... elégséges Ugyaayi iformációt tartalmaz, mitha a teljes mitát adák meg. 30 Itervallumbecslés Az itervallum becslés sorá a becsült értékhez tartomáyt redelük (a becslő érték mit valségi változó skálájá egy alsó és egy felső határt), melyek eve kofideciaitervallum (agolul cofidece iterval, jele: CI) és ehhez egy valséget, melyek eve kofideciaszit (jele: 1 α), mely a becslési eljárás megbízhatóságát fejezi ki (kofidecia = megbízhatóság). A CI létrehozásáak 4pikus lépései: - mitavétel - potbecslés kiszámítása a mitaadatokból - potbecslés valószíűségi eloszlásáak meghatározása - az eloszlás alapjá stadard hiba számítása (opcioális) - midezesmeretébe egy tartomáy megadása, ahol a becsült érték lehet valségbecslések elméle' eloszlása várhatóértékbecslések elméle' és szimulált eloszlása 31
9 Itervallumbecslés valségre Mi a valsége, hogy egy véletleül kiválasztou gólyáak kék szeme va? A CI létrehozásáak lépései: - mitavétel: elemű mitába k kék szemű - potbecslés: p k k/ =... - a becslő érték elméle' eloszlása: biomiális eloszlás - SE: 1 k SE aráy =... - a megfigyelt k értékek biomiális eloszlást követek, melyet át kell skálázuk k/-re. Lehet ezzel az is számoli (ú. egzakt eljárás) de macerás... - köyebb ehelyeu a ormális eloszlással való közelítést haszáli: Wald-itervallum (egyszerű és elterjedt, de eléggé megbízhatatla módszer) valségbecslések eloszlása és aak közelítése ormális eloszlással valségre 1. módszer: egzakt eljárás - számold ki mide egyes kimeetel (k) valségét a becsült p felhaszálásával, és redezd őket csökkeő valség szerit - kezdd el ezeket összeadogati kezdve a legagyobb valségűvel, majd a második legvalószíűbbel s.í.t. - ha az összeg meghalad egy előre kiválasztou limitet, állj meg - a kimeetelek tartomáya, mely bekerült a végső összegbe, lesz az egzakt CI, maga a végső összeg pedig a téyleges kofideciaszit (1 α) 3. példa: - haszáljuk az 1. példa adatait - lásd a kiszámolt táblázatot és a grafikot, mely a 95% -os (valójába 96,5%-os) CI-t mutatja: 7% 47% Itervallumbecslés... k/ p k # SZUMHA 0% % % % % % % % % % % % % % % % A közelítés > 30 elemszám eseté működik jól. Itervallumbecslés valségre 2. módszer: közelítés ormális eloszlással (Wald Á.) 68% CI 95% CI Wald Ábrahám A ± σ közöü tartomáyhoz kb. 68% valség tartozik. Az így defiiált becslési tartomáy eve 68%-os kofidecia- itervallum (CI), a valségé pedig kofideciaszit (1 α). A 3. példába: 68% CI = 15% 38%. (lásd a jobb oldali ábrát is) 68% CI k ± 1 k A ± 2σ közöü tartomáyhoz kb. 95% valség tartozik. Ez a 95%-os kofideciaitervallumak felel meg, és ige gyakra haszálják az éleuudomáyokba. Kis mitákál ez a CI akár ki is 95% CI k lóghat a [0,1] tartomáyból! > széleit le kell yesi. ± 2 1 k A 3. példába: 95% CI = 4% 50%. (lásd a jobb oldali ábrát és vö. az egzakt itervallummal.) 34 Itervallumbecslés valségre 6. feladat: Meg szereték becsüli a Rhesus faktor prevaleciáját (alapsokaságo belüli aráyát) a budapes' lakosság körébe. Véletleszerűe kiválasztouuk 42 embert, s meghatároztuk a vércsoportjukat: 35 volt Rh+. a) Adj potbecslést a Rhesus faktor prevaleciájára. p(rh+) p (Rh+) = k(rh+)/ = 35/42 = 0,833 b) Add meg a 95%-os CI-t a Wald-itervallum eljárással. Számoljuk ki a SE-t: 1 k SE = = 0, A 95%-os CI kb. p (Rh+) ± 2SE közöu va, azaz 0,833 ± 0,006 vagy 0,826 0, feladat: add meg a 95%-os kofideciaitervallumot a kék szemszí prevaleciájára a gólyák közt, ha egy 10 hallgatóból álló mitába keuőek volt kék a szeme. Az ismert képleuel számolva: p (Rh+) = 0,200 és SE = 0,126. Ebből a következő 95%-os CI adóda: 0,052 0,452. Azoba mivel valséget becslük, a CI em lóghat ki a [0,1] itervallumból; szélek yesése utá a CI: 0 0,452. IU a kofideciaszit már biztos em 95%-os. Ez csak egy példa, hogy meyire megbízhatatla a Wald-itervallum de eek elleére szoktuk haszáli em túl kis miták eseté, ha gyors becslésre va szükség. 35
10 Itervallumbecslés várható értékre Studet-féle t-eloszlást haszálva (W. S. Gosset) Az aráyokhoz hasoló itervallumokat lehet defiiáli, ez esetbe azoba az 1 szabadsági fokú (df) Studet-féle t- eloszlást fogjuk haszáli. Így em haszálhatjuk a korábbi közelítő itervallumokat sem ( ± σ és ± 2σ ). HelyeUe függvéytáblába vagy Excel paraccsal határozzuk meg a kétszélű p-t: =T.INVERZ.2SZ(valószíűség,szabadságfok) ez iu α, vagyis 4. példa: 1 kofidecia- - haszáljuk a 2. feladat adatait szit - add meg a 95%-os CI t-értékét: - Excel-be: a =T.INVERZ.2SZ(5%, 15-1) függvéyel: 2, (a KépleUárba lévő Ábra: A t-érték meghatározása a függvéytáblából, ha α = 5% és df = 14. függvéytáblából: 2.14) 36 A sta'sz'ka gyakrolato Excel-t haszáluk a t kiszámolására. Azoba t eloszlása stadard ( = 0 és σ = 1), így az x = x + t SE képletet kell haszáluk a megfelelő x- értékek kiszámolására. (x a sta'sz'kai változók, jele esetbe a magasság). t-ből tudjuk a CI alsó határát (x A ) számoli, míg +t-ből a felsőt (x F ): x A = x t SE = 170 cm 2,1445 * 2,5 cm = 164,6 cm x F = x + t SE = 170 cm + 2,1445 * 2,5 cm = 175,4 cm A 95%-os CI tehát 164,6 cm 175,4 cm. Itervallumbecslés várható értékre Studet-féle t-eloszlást haszálva (W. S. Gosset) 95% CI Ábra: Az átlagok elméle' eloszlásáak grafikoja (egy df = 1 szabadsági fokú em-stadard t-eloszlás, melyek paraméterei: = x és σ = SE) és az imét számolt 95%-os CI feladat: Becslést szereték adi a vérkoleszteriszit várható értékére és meg szereték adi a becslés 95%-os CI-t. Nyolcelemű mitát veuük, a megfigyelt értékek a táblázatba vaak. koleszterimegfigyelés Excel-be fogjuk elvégezi a számításokat. szit sorszáma (mg/dl) A várható érték potbecslése a mitaátlag: x =ÁTLAG(adat) = 152,9 mg/dl Számoljuk ki a SE-t a már tault módo: =DARAB(adat) = 8 SD =SZÓR.M(adat) = 18,47 mg/dl SE =SD/GYÖK() = 6,53 mg/dl Itervallumbecslés várható értékre A mitaátlagok t-eloszlást követek, so we have to fid a 95%-os CI határai: df = 1 = 7 t =T.INVERZ.2SZ(5%,df) = 2,365 x A =x -t*se = 137,4 mg/dl x A x F =x +t*se = 168,3 mg/dl x F Itervallumbecslés várható értékre 9. feladat: Meg szereték határozi a gólyák átlagmagasságát 95%-os CI-mal, de azt szereték, hogy a CI e legye 1 cm-él szélesebb. Mekkora legye a mita mérete? Az irodalomból tudjuk, hogy az emberi testmagasság szórása általába 5 cm, és ezt a gólyákra is érvéyesek tekitjük. IU most visszafelé kell godolkoduk: Va egy CI-uk (most még) ismeretle x A és x F közöu. A CI szélessége a határoló értékek külöbsége: szélesség = x A x F HelyeUesítsük be a képleteiket: szélesség= (x +t*se) (x t*se) = 2*t*SE Most va egy kis problémák: a t-érték maga is függ a mitaméreuől (potosabba a szabadsági fokok számától)! Egy feltevéssel kell éljük: vegyük úgy, hogy a mita elég agy, és egyszerűe haszáljuk a t = 2 értéket; ekkor a képlet: szélesség = 4SE. Tudjuk, hogy SE = SD/ 0,5, helyeuesítsük be a fe' képletbe: szélesség= 4SD/ 0,5. Redezzük át a képletet a mitaméretre: = (4SD/szélesség) 2 HelyeUesítsük be az adataikat: = (4*(5 cm)/(1 cm)) 2 = 400 Ábra: 95%-os kofideciaitervallum (zölddel)
11 Itervallumbecslés Kofideciaszit (1 α): aak a valószíűsége, hogy egy adov módszerrel meghatározov CI-ok tartalmazzák-e a becsült értéket. Ebből em tudjuk meg, hogy egy kokrét CI téylegese tartalmazza-e a becsült értéket. Magát a becslési eljárást jellemzi általába, em aak egy korét eredméyét. Azt em tudjuk megmodai, hogy a becsült érték bee va-e az éppe kiszámolt CI-ba, csak akkor, ha valahoa ismerjük a becsült értéket mely esetbe az egész becslésre ics szükség. Itervallumbecslés 20 CI kiszámolva ugyaazo 20 mitára 68% és 95% kofideciaszite. Szigifikaciaszit (α): a komplemeter valség, pl. ha a kofideciaszit 95%, akkor a szigifikaciaszit 5%. Hogy melyiket haszáljuk, az a kotextustól függ. Ábra: A testmagasság várható értékre () ugyaazo módszerel végzeu 20 becslés szimulációja: 8-elemű = 8 (df = 7), = 170 cm, σ = 10 cm = 8 (df = 7), = 170 cm, σ = 10 cm mita vételezése (piros +), átlag és stadard hibájáak számítása, majd a CI megadása: átlag ± 2,36 SE 1 α = 68% 1 α = 95% (kék sáv). A becsült értékek: = 170 cm, σ = 10 cm. Magasabb kofideciaszit = kisebb valószíűséggel esik a CI-o kívül a becsült érték, de kevesebb az iformációtartalma. Itervallumbecslés db 95%-os CI kiszámolva 20 db 34 elemű és 20 db 8-elemű mitára. = 32 (df = 31), = 170 cm, σ = 10 cm = 8 (df = 7), = 170 cm, σ = 10 cm 1 α = 95% 1 α = 95% Nagyobb mitaelemszám ugyaazo kofideciaszite = szűkebb CI. 42 (4-szeres elemszám átlagosa fele szélességű CI-kat eredméyez.) Függelék: Normáltartomáy Normáltartomáy, refereciatartomáy vagy refereciaitervallum: a sta'sz'kai változóra voatkozó tartomáy, mely a változó egy elemét 95%-os valószíűséggel tartalmazza. A ormáltartomáy is egyfajta itervallumbecslés, de iu a sta'sz'kai változó eloszlását, em pedig eloszlásáak egy paraméterét jellemezzük. Más szóval: a ormáltartomáy a magukra az adatokra voatkozó 95%-os CI. Ezt a tartomáyt szokták feltüteti az orvosi laborleleteke is. Normális eloszlású változó eseté a ormáltartomáy kb.: x ± 2SD. (potosabba: x ± 1,96SD) 10. feladat: Számold ki a szérum glükózszit, σ és σ 2 paramétereit a laborlelet adataiak segítségével. x L = -2σ = 65 mg/dl x U = +2σ = 99 mg/dl x U + x L = (+2σ) + (-2σ) = 2 = (x U + x L )/2 = 82 mg/dl x U x L = (+2σ) (-2σ) = 4σ σ = (x U x L )/4 = 8,5 mg/dl σ 2 = 72,25 (mg/dl) 2 43
12 Mi a populáció? Mi a mita? Hogya szerezhetüformációt egy sta'sz'kai változóról? Milye becslészpusokat ismersz? Mik a becslés lépései? Mi a plug-i becslés? Mi a potbecslés? Mi a potbecslés hátráya? Mi a becslő értéke a valségek, várható értékek, elméle' variaciáak és elméle' szórásak? Mik a jó becslés tulajdoságai? Mi a torzítatlaság? Szemléltesd példával. Mi a hatásosság? Hogya lehet matema'kailag kifejezi? Elleőrző kérdések Milye eloszlást követek az aráyok? Milye eloszlást követ a várható érték becslő értéke? Mi a stadard hiba? Hogya számolható egy aráy stadard hibája? Hogya számolható egy átlag stadard hibája? Hogya függ a stadard hiba a változó szórásától? Hogya függ a stadard hiba a mita méretétől (elemszámától)? Meg szereték háromszorozi egy becslés hatásosságát. Hogya változtassuk a mita méreté? Mekkora egy 25 elemű mitából számolt aráy legagyobb lehetséges hibája? Mik egy kozisztes becslés ismérvei? Mit jelet, hogy egy becslés elégséges? Mi a Bessel-korrekció? Hol haszáljuk és mi a célja? Mi a CI jeletése? Mi a kofideciaszit jele és jeletése? Hogya adhatuk meg egzakt CI-ot egy aráyhoz? Mi a Wald-itervallum alapja, mi az előye és a hátráya? Hogya változik a CI, ha emelem a kofideciaszitet? Hogya változik a CI, ha övelem a mitaméretet? Hogya változik a CI, ha a vizsgált változó szórása kisebb? Elleőrző kérdések Hogya aduk meg CI-t várható érték becslése eseté? Mi a refereciatartomáy? Hogya adható meg egy ormális eloszlású valségi változó refereciatartomáya? Egy laborleletükbe külöféle laborértékek melleu refereciatartomáyokat látuk. Hogya lehet ezekből a kórház által haszált várható értékeket és szórásokat kiszámoli? Mi a kapcsolat a kofideciaszit és a szigifikaciaszit közöu? Miért em lehetséges megmodai, hogy egy adou CI téylegese tartalmazza-e a becsült értéket? 44 45
A 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
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 10. A statisztika alapjai Debrecei Egyetem, 2015 Dr. Bérczes Attila, Bertók Csaád A diasor tartalma 1 Bevezetés 2 Statisztikai függvéyek Defiíció, empirikus várható érték Empirikus
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenA szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai
05..04. szórások vizsgálata z F-próba Hogya foguk hozzá? Nullhipotézis: a két szórás azoos, az eltérés véletle (mitavétel). ullhipotézishez tartozik egy ú. F-eloszlás. Szabadsági fokok: számláló: - evező:
RészletesebbenStatisztika 1. zárthelyi dolgozat március 21.
Statisztika 1 zárthelyi dolgozat 011 március 1 1 Legye X = X 1,, X 00 függetle mita b paraméterű Poisso-eloszlásból b > 0 Legye T 1 X = X 1+X ++X 100, T 100 X = X 1+X ++X 00 00 a Milye a számra igaz, hogy
RészletesebbenMatematika B4 I. gyakorlat
Matematika B4 I. gyakorlat 2006. február 16. 1. Egy-dimeziós adatredszerek Va valamilye adatredszer (számsorozat), amelyről szereték kiszámoli bizoyos dolgokat. Az egyes értékeket jelöljük z i -vel, a
Részletesebben2. egy iskola tanulói, a változók: magasságuk cm-ben, súlyuk (tömegük) kilóban; 3. egy iskola tanulói, a változó: tanulmányi átlaguk;
Statisztika Tegyük fel, hogy va egy halmazuk, és tekitsük egy vagy több valószíűségi változót, amelyek a halmaz mide elemé felveszek valamilye értéket. A halmazt populációak vagy sokaságak evezzük. Példák:
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
Részletesebben24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje.
24. tétel valószíűségszámítás elemei. valószíűség kiszámításáak kombiatorikus modellje. GYORISÁG ÉS VLÓSZÍŰSÉG meyibe az egyes adatok a sokaságo belüli részaráyát adjuk meg (törtbe vagy százalékba), akkor
RészletesebbenA matematikai statisztika elemei
A matematikai statisztika elemei Mikó Teréz, dr. Szalkai Istvá szalkai@almos.ui-pao.hu Pao Egyetem, Veszprém 2014. március 23. 2 Tartalomjegyzék Tartalomjegyzék 3 Bevezetés................................
RészletesebbenPopuláció. Történet. Adatok. Minta. A matematikai statisztika tárgya. Valószínűségszámítás és statisztika előadás info. BSC/B-C szakosoknak
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 16. A matematikai statisztika tárgya Következtetések levoása adatok alapjá Ipari termelés Mezőgazdaság Szociológia
RészletesebbenZavar (confounding): akkor lép fel egy kísérletben, ha a kísérletet végző nem tudja megkülönböztetni az egyes faktorokat.
Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat. Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet
Részletesebbenf (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben
Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,
Részletesebben? közgazdasági statisztika
Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB B Elem
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
RészletesebbenVII. A határozatlan esetek kiküszöbölése
A határozatla esetek kiküszöbölése 9 VII A határozatla esetek kiküszöbölése 7 A l Hospital szabály A véges övekedések tétele alapjá egy függvéy értékét egy potba közelíthetjük az köryezetébe felvett valamely
RészletesebbenStatisztikai hipotézisvizsgálatok
Statisztikai hipotézisvizsgálatok. Milye problémákál haszálatos? A gyakorlatba agyo gyakra szükségük lehet arra, hogy mitákból származó iformációk alapjá hozzuk sokaságra voatkozó dötéseket. Például egy
RészletesebbenA statisztika részei. Példa:
STATISZTIKA Miért tauljuk statisztikát? Mire haszálhatjuk? Szakirodalom értő és kritikus olvasásához Mit állít egyáltalá a cikk? Korrektek-e a megállaítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez,
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenMatematikai statisztika
Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika
RészletesebbenIntervallum Paraméteres Hipotézisek Nemparaméteres. Statisztika december 2.
Itervallum Paraméteres Hipotézisek Nemparaméteres Statisztika Hipotézisvizsgálat Székely Balázs 2010. december 2. Itervallum Paraméteres Hipotézisek Nemparaméteres Előadás vázlat 1 Itervallumbecslések
RészletesebbenBIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika
BIOSTATISZTIKA ÉS INFORMATIKA Leíró statisztika Első közelítésbe a statisztikai tevékeységeket égy csoportba sorolhatjuk, de ezek között ics éles határ:. adatgyűjtés, 2. az adatok áttekithetővé tétele,
RészletesebbenStatisztika 1. zárthelyi dolgozat március 18.
Statisztika. zárthelyi dolgozat 009. március 8.. Ismeretle m várható értékű, szórású ormális eloszlásból a következő hatelemű mitát kaptuk:, 48 3, 3, 83 0,, 3, 97 a) Számítsuk ki a mitaközepet és a tapasztalati
Részletesebben7. el adás Becslések és minta elemszámok. 7-1. fejezet Áttekintés
7. el adás Becslések és mita elemszámok 7-1. fejezet Áttekités 7-1 Áttekités 7- A populáció aráy becslése 7-3 A populáció átlag becslése: σismert 7-4 A populáció átlag becslése: σem ismert 7-5 A populáció
Részletesebben1. előadás: Bevezetés. Irodalom. Számonkérés. Cél. Matematikai statisztika előadás survey statisztika MA szakosoknak. A matematikai statisztika tárgya
Matematikai statisztika előadás survey statisztika MA szakosokak 206/207 2. félév Zempléi Adrás. előadás: Bevezetés Irodalom, követelméyek A félév célja Matematikai statisztika tárgya Törtéet Alapfogalmak
RészletesebbenMegjegyzések. További tételek. Valódi határeloszlások. Tulajdonságok. Gyenge (eloszlásbeli) konvergencia
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 5. Megjegyzések. A tétel feltételei gyegíthetőek: elég, ha a függetle, azoos eloszlású változók várható értéke véges.
Részletesebben? közgazdasági statisztika
... Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB
Részletesebben(A TÁMOP /2/A/KMR számú projekt keretében írt egyetemi jegyzetrészlet):
A umerikus sorozatok fogalma, határértéke (A TÁMOP-4-8//A/KMR-9-8 számú projekt keretébe írt egyetemi jegyzetrészlet): Koverges és diverges sorozatok Defiíció: A természetes számoko értelmezett N R sorozatokak
RészletesebbenI. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó.
I. Függelék A valószíűségszámítás alapjai I.1. Alapfogalamak: Véletle jeleség: létrejöttét befolyásoló összes téyezőt em ismerjük. Tömegjeleség: a jeleség adott feltételek mellett akárháyszor megismételhető.
Részletesebbenvéletlen : statisztikai törvényeknek engedelmeskedik (Mi az ami közös a népszavazásban, a betegségek gyógyulásában és a fiz. kém. laborban?
BEVEZETÉS A statisztika teljese laikusokak: agy mukával gyűjtött adatok vizsgálata, abból következtetések levoása ( statistical iferece ) (Egy kicsit sok hűhó semmiért azaz Much ado about othig.) Mi is
RészletesebbenV. Deriválható függvények
Deriválható függvéyek V Deriválható függvéyek 5 A derivált fogalmához vezető feladatok A sebesség értelmezése Legye az M egy egyees voalú egyeletes mozgást végző pot Ez azt jeleti, hogy a mozgás pályája
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kidolgozott feladatok a emparaméteres statisztika témaköréből A tájékozódást mideféle szíkódok segítik. A feladatok eredeti szövege zöld, a megoldások fekete, a figyelmeztető, magyarázó elemek piros szíűek.
Részletesebben3. SOROZATOK. ( n N) a n+1 < a n. Egy sorozatot (szigorúan) monotonnak mondunk, ha (szigorúan) monoton növekvő vagy csökkenő.
3. SOROZATOK 3. Sorozatok korlátossága, mootoitása, kovergeciája Defiíció. Egy f : N R függvéyt valós szám)sorozatak evezük. Ha A egy adott halmaz és f : N A, akkor f-et A-beli értékű) sorozatak evezzük.
Részletesebbenkismintás esetekben vagy olyanokban, melyeknél a tanulóalgoritmust tesztadatokon szeretnénk
ÚJRAMINTAVÉTELEZÉSI ELJÁRÁSOK A jackkife (zsebkés) és bootstrap (cipőhúzó a saját kallatyújáál fogva) eljárások agol elevezése is arra utal, hogy itt ad hoc eljárásokról va szó, melyek azoba agyo haszosak
RészletesebbenTartalom. Kezdeti szimulációs technikák. Tipikus kérdések. A bootstrap módszer. Bevezetés A független, azonos eloszlású eset:
Tartalom A bootstrap módszer Zempléi Adrás TTK, Valószíőségelméleti és Statisztika Taszék 2010. október 21 Bevezetés A függetle, azoos eloszlású eset: emparaméteres paraméteres eset Alkalmazások a rétegzett
Részletesebben1. A radioaktivitás statisztikus jellege
A radioaktivitás időfüggése 1. A radioaktivitás statisztikus jellege Va N darab azoos radioaktív atomuk, melyekek az atommagja spotá átalakulásra képes. tegyük fel, hogy ezek em bomlaak tovább. Ekkor a
RészletesebbenPályázat címe: Pályázati azonosító: Kedvezményezett: Szegedi Tudományegyetem Cím: 6720 Szeged, Dugonics tér 13. www.u-szeged.hu www.palyazat.gov.
Pályázat címe: Új geerációs sorttudomáyi kézés és tartalomfejlesztés, hazai és emzetközi hálózatfejlesztés és társadalmasítás a Szegedi Tudomáyegyeteme Pályázati azoosító: TÁMOP-4...E-5//KONV-05-000 Sortstatisztika
Részletesebben3.1. A Poisson-eloszlás
Harmadik fejezet Nevezetes valószíűségi változók Valamely valószíűségi változóhoz kapcsolódó kérdésekre akkor tuduk potos választ adi, ha a változó eloszlása ismert, vagy megközelítőleg ismert. Ebbe a
RészletesebbenA brexit-szavazás és a nagy számok törvénye
Mûhely Medvegyev Péter kadidátus, a Corvius Egyetem egyetemi taára E-mail: peter.medvegyev@uicorvius.hu A brexit-szavazás és a agy számok törvéye A 016. év, de vélhetőe az egész évtized legfotosabb politikai
RészletesebbenRudas Tamás: A hibahatár a becsült mennyiség függvényében a mért pártpreferenciák téves értelmezésének egyik forrása
Rudas Tamás: A hibahatár a becsült meyiség függvéyébe a mért ártrefereciák téves értelmezéséek egyik forrása Megjelet: Agelusz Róbert és Tardos Róbert szerk.: Mérésről mérésre. A választáskutatás módszertai
Részletesebben6. Minısítéses ellenırzı kártyák
6. Miısítéses elleırzı kártyák Sokszor elıfordul, hogy a termék-egyedek miıségét em tudjuk mérhetı meyiségekkel jellemezi, csak megfelelı/em megfelelı kategóriákba sorolhatjuk ıket, és a hibás darabokat,
Részletesebbenkritikus érték(ek) (critical value).
Hipotézisvizsgálatok (hypothesis testig) A statisztikáak egyik célja lehet a populáció tulajdoságaiak, ismeretle paramétereiek a becslése. A másik tipikus cél: valamely elmélet, hipotézis empirikus bizoyítása
RészletesebbenKalkulus II., második házi feladat
Uger Tamás Istvá FTDYJ Név: Uger Tamás Istvá Neptu: FTDYJ Web: http://maxwellszehu/~ugert Kalkulus II, második házi feladat pot) Koverges? Abszolút koverges? ) l A feladat teljese yilvávalóa arra kívácsi,
RészletesebbenKutatói pályára felkészítı modul
Kutatói pályára felkészítı modul Kutatói pályára felkészítı kutatási ismeretek modul Tudomáyos kutatási alapayag feldolgozása, elemzési ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI
RészletesebbenKomputer statisztika
Eszterházy Károly Főiskola Matematikai és Iformatikai Itézet Tómács Tibor Komputer statisztika Eger, 010. október 6. Tartalomjegyzék Előszó 4 Jelölések 5 1. Valószíűségszámítás 7 1.1. Valószíűségi mező............................
RészletesebbenStatisztika. Földtudomány szak, geológus szakirány, 2015/2016. tanév tavaszi
Statisztika Földtudomáy szak, geológus szakiráy, 015/016. taév tavaszi félév Backhausz Áges (ELTE TTK Valószíűségelméleti és Statisztika Taszék)1 Tartalomjegyzék 1. Bevezetés 3 1.1. Példa: az adatok elemzése....................
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenValószínűségszámítás
8. Valószíűségszámítás ESEMÉNYEK 174 Eseméyek formális leírása, műveletek 175 Feladatok 176 A VALÓSZÍNŰSÉG FOGALMA 177 A valószíűség tulajdoságai 178 Mitapéldák 179 Feladatok 181 VALÓSZÍNŰSÉGI VÁLTOZÓK
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenSzámsorozatok. 1. Alapfeladatok december 22. sorozat határértékét, ha. 1. Feladat: Határozzuk meg az a n = 3n2 + 7n 5n létezik.
Számsorozatok 2015. december 22. 1. Alapfeladatok 1. Feladat: Határozzuk meg az a 2 + 7 5 2 + 4 létezik. sorozat határértékét, ha Megoldás: Mivel egy tört határértéke a kérdés, ezért vizsgáljuk meg el
RészletesebbenValószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés
Valószí ségszámítás és statisztika gyakorlat Programtervez iformatikus szak, esti képzés.) Egy érmével dobuk. Ha az eredméy fej, akkor még egyszer dobuk, ha írás, akkor még kétszer. a.) Mik leszek a kísérletet
RészletesebbenKomplex számok (el adásvázlat, 2008. február 12.) Maróti Miklós
Komplex számok el adásvázlat, 008. február 1. Maróti Miklós Eek az el adásak a megértéséhez a következ fogalmakat kell tudi: test, test additív és multiplikatív csoportja, valós számok és tulajdoságaik.
RészletesebbenValószín ségszámítás és statisztika
Valószí ségszámítás és statisztika oktatási segédayag Kupá Pál Tartalomjegyzék fejezet Valószí ségszámítási alapfogalmak 5 Eseméyek 5 M veletek eseméyekkel 5 2 A valószí ség fogalma 7 3 Valószí ségi változók
RészletesebbenFüggvényhatárérték-számítás
Függvéyhatárérték-számítás I Függvéyek véges helye vett véges határértéke I itervallumo, ha va olya k valós szám, melyre az I itervallumo, ha va olya K valós szám, melyre I itervallumo, ha alulról és felülről
RészletesebbenGyakorló feladatok II.
Gyakorló feladatok II. Valós sorozatok és sorok Közgazdász szakos hallgatókak a Matematika B című tárgyhoz 2005. október Valós sorozatok elemi tulajdoságai F. Pozitív állítás formájába fogalmazza meg azt,
Részletesebbenezek alapján kívánunk dönteni. Ez formálisan azt jelenti, hogy ellenőrizni akarjuk,
A deceber -i gyakorlat téája A hipotézisvizsgálat fotos probléája a következő két kérdés vizsgálata. a) Egy véletle eyiség várható értékéek agyságáról va bízoyos feltevésük. Elleőrizi akarjuk e feltevés
RészletesebbenSorozatok, határérték fogalma. Függvények határértéke, folytonossága
Sorozatok, határérték fogalma. Függvéyek határértéke, folytoossága 1) Végtele valós számsorozatok Fogalma, megadása Defiíció: A természetes számok halmazá értelmezett a: N R egyváltozós valós függvéyt
RészletesebbenPopuláció nagyságának felmérése, becslése
http:/zeus.yf.hu/~szept/kuzusok.htm Populáció agyságáak felméése, becslése Becsült paaméteek: N- az adott populáció teljes agysága (egyed, pá, stb) D- dezitás (sűűség), egységyi felülete/téfogata számított
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
RészletesebbenMatematikai statisztika gyakorlat 2018/2019 II. félév
Matematikai statisztika gyakorlat 018/019 II. félév 1. Táblázatok Viszoyszámok: V = A, ahol A: a viszoyítás tárgya (amit viszoyítuk); B B: a viszoyítás alapja (amihez viszoyítuk) Megoszlási: a sokaság
RészletesebbenDebreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar. Feladatok a Gazdasági matematika I. tárgy gyakorlataihoz. Halmazelmélet
Debrecei Egyetem Közgazdaság- és Gazdaságtudomáyi Kar Feladatok a Gazdasági matematika I. tárgy gyakorlataihoz a megoldásra feltétleül ajálott feladatokat jelöli e feladatokat a félév végére megoldottak
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenEötvös Loránd Tudományegyetem Informatikai Kar. Analízis 1. Írásbeli beugró kérdések. Készítette: Szántó Ádám Tavaszi félév
Eötvös Lorád Tudomáyegyetem Iformatikai Kar Aalízis 1. Írásbeli beugró kérdések Készítette: Szátó Ádám 2011. Tavaszi félév 1. Írja le a Dedekid-axiómát! Legyeek A R, B R. Ekkor ha a A és b B : a b, akkor
RészletesebbenKÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN
KÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN DR. REICHART OLIVÉR 005. Budapest Lektorálta: Zukál Edre Tartalom BEVEZETÉS 3. VALÓSZÍNŰSÉGSZÁMÍTÁSI ALAPOK 5.. Kombiatorikai alapösszefüggések
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenVÉLETLENÍTETT ALGORITMUSOK. 1.ea.
VÉLETLENÍTETT ALGORITMUSOK 1.ea. 1. Bevezetés - (Mire jók a véletleített algoritmusok, alap techikák) 1.1. Gyorsredezés Vegyük egy ismert példát, a redezések témaköréből, méghozzá a gyorsredezés algoritmusát.
RészletesebbenBootstrap (Efron, 1979)
Bootstrap (Efro, 979) 4. elıadás 204. március 3. Bootstrap módszerek, többdimeziós extrém-érték eloszlások illeszkedésvizsgálata Újramitavételezési eljárás, a becsléseik szórásáak vizsgálatára, modell-illeszkedés
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenMatematika I. 9. előadás
Matematika I. 9. előadás Valós számsorozat kovergeciája +-hez ill. --hez divergáló sorozatok A határérték és a műveletek kapcsolata Valós számsorozatok mootoitása, korlátossága Komplex számsorozatok kovergeciája
RészletesebbenMéréstani összefoglaló
PÉCSI TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR FIZIKAI INTÉZET Méréstai összefoglaló (köryezettudomáyi szakos hallgatók laboratóriumi mérési gyakorlataihoz) Összeállította: Dr. Német Béla Pécs 2008 1 Bevezetés
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Statisztika
Statisztika A statisztika adatok gyűjtésével, redszerezésével, illetve adatsorok elemzésével, szemléltetésével foglalkozik. Adatok redszerezése DEFINÍCIÓ: (Populáció) Populációak (statisztikai sokaságak)
Részletesebben6. feladatsor. Statisztika december 6. és 8.
6. feladatsor Statisztika 200. december 6. és 8.. Egy = 0 szervert tartalmazó kiszolgáló mide szervere mide pillaatba 0 < p < valószíűséggel foglalt, a foglaltságok szerverekét függetleek. Tehát a foglaltak
RészletesebbenStatisztika október 27.
Statisztika 2011. október 27. Külöbség valószíőségszámítás és statisztika között Kísérlet: 4-szer dobuk fel egy érmét. Megszámoljuk a fejek számát. Valszám: Ismert a fejdobás valószíősége. Milye valószíőséggel
RészletesebbenHipotézis-ellenırzés (Statisztikai próbák)
Következtetı statisztika 5. Hipotézis-elleırzés (Statisztikai próbák) 1 Egymitás próbák Átlagra, aráyra, Szórásra Hipotézis-vizsgálat Áttekités Egymitás em paraméteres próbák Függetleségvizsgálat Illeszkedésvizsgálat
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
Részletesebben1 k < n(1 + log n) C 1n log n, d n. (1 1 r k + 1 ) = 1. = 0 és lim. lim n. f(n) < C 3
Dr. Tóth László, Fejezetek az elemi számelméletből és az algebrából (PTE TTK, 200) Számelméleti függvéyek Számelméleti függvéyek értékeire voatkozó becslések A τ() = d, σ() = d d és φ() (Euler-függvéy)
RészletesebbenEddig megismert eloszlások Jelölése Eloszlása EX D 2 X P(X = 1) = p Ind(p) P(X = 0) = 1 p. Leíró és matematikai statisztika
Leíró és matematikai statisztika Matematika alapszak, matematikai elemző szakiráy Zempléi Adrás Valószíűségelméleti és Statisztika Taszék Matematikai Itézet Természettudomáyi Kar Eötvös Lorád Tudomáyegyetem
RészletesebbenKísérletek tervezése és értékelése
STATISZTIKAI ALAPOK I. STATISZTIKAI ALAPOK Adatok ábrázolása Yogi Berra: "You ca observe a lot by watchig." I. STATISZTIKAI ALAPOK Mérési adatok ábrázolása: Pot ábrázolás (Dotplot) Dotplot for Y 9 3 Y
Részletesebben2. Hatványsorok. A végtelen soroknál tanultuk, hogy az. végtelen sort adja: 1 + x + x x n +...
. Függvéysorok. Bevezetés és defiíciók A végtele sorokál taultuk, hogy az + x + x + + x +... végtele összeg x < eseté koverges. A feti végtele összegre úgy is godolhatuk, hogy végtele sok függvéyt aduk
RészletesebbenStatisztika. Eloszlásjellemzők
Statsztka Eloszlásjellemzők Statsztka adatok elemzése A sokaság jellemzése középértékekkel A sokaság jellemzéséek szempotja A sokaság jellemzéséek szempotja: A sokaság tpkus értékéek meghatározása. Az
RészletesebbenVII.Valószínűségszámítási, statisztikai, gráfelméleti alapfogalmak
VII.Valószíűségszámítási, statisztikai, gráfelméleti alapfogalmak VII..A valószíűségszámítás elemei A valószíűségszámítás a véletle tömegjeleségeket taulmáyozó, kb. 300 éves tudomáy. Véletle jeleség: em
Részletesebben(d) x 6 3x 2 2 = 0, (e) x + x 2 = 1 x, (f) 2x x 1 = 8, 2(x 1) a 1
. Bevezető. Oldja meg az alábbi egyeleteket: (a cos x + si x + cos x si x = (b π si x = x π 4 x 3π 4 cos x (c cos x + si x = si x (d x 6 3x = 0 (e x + x = x (f x + 5 + x = 8 (g x + + x + + x + x + =..
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenGAZDASÁGI MATEMATIKA 1. ANALÍZIS
SZENT ISTVÁN EGYETEM GAZDASÁGI, AGRÁR- ÉS EGÉSZSÉGTUDOMÁNYI KAR Dr. Szakács Attila GAZDASÁGI MATEMATIKA. ANALÍZIS Segédlet öálló mukához. átdolgozott, bővített kiadás Békéscsaba, Lektorálták: DR. PATAY
RészletesebbenKétoldali hibás Monte Carlo algoritmus: mindkét válasz esetén hibázhat az algoritmus, de adott alsó korlát a hibázás valószínűségére.
Véletleített algoritmusok Tegyük fel, hogy va két doboz (A,B), amely egyike 1000 Ft-ot tartalmaz, a másik üres. 500 Ft-ért választhatuk egy dobozt, amelyek a tartalmát megkapjuk. A feladat megoldására
RészletesebbenPÉLDATÁR A SZÁMÍTÓGÉPES TESZTHEZ. Írta Dr. Huzsvai László
PÉLDATÁR A SZÁMÍTÓGÉPES TESZTHEZ Írta Dr. Huzsvai László Debrece 2012 Tartalomjegyzék Bevezetés...1 Viszoyszámok...1 Középértékek (átlagok)...2 Szóródási mutatók...4 Idexek...7 Furfagos kérdések...8 Bevezetés
RészletesebbenFeladatok és megoldások a 11. heti gyakorlathoz
Feladatok és megoldások a. het gyakorlathoz dszkrét várható érték Építőkar Matematka A. Egy verseye öt ő és öt férf verseyző dul. Tegyük fel, hogy cs két azoos eredméy, és md a 0! sorred egyformá valószíű.
RészletesebbenA válaszadó-vezérelt mintavétel megbízhatóságának vizsgálata szimulációs módszerekkel 1
Szociológiai Szemle 23(2): 72 88. válaszadó-vezérelt mitavétel megbízhatóságáak vizsgálata szimulációs módszerekkel 1 Kmetty Zoltá Simo Dávid zkmetty@yahoo.com; dr.david.simo@gmail.com Beérkezés: 2013.
Részletesebbenæ MATEMATIKAI STATISZTIKA Dr. Bolla Marianna, Matematika Intézet, Sztochasztika Tanszék
æ MATEMATIKAI STATISZTIKA Dr. Bolla Mariaa, Matematika Itézet, Sztochasztika Taszék Leíró statisztika Ω, A, P) statisztikai mező, ahol a P mértékcsalád olya P eloszlásokból áll, melyekkel Ω, A, P) valószíűségi
RészletesebbenKomplex számok. d) Re(z 4 ) = 0, Im(z 4 ) = 1 e) Re(z 5 ) = 0, Im(z 5 ) = 2 f) Re(z 6 ) = 1, Im(z 6 ) = 0
Komplex számok 1 Adjuk meg az alábbi komplex számok valós, illetve képzetes részét: a + i b i c z d z i e z 5 i f z 1 A z a + bi komplex szám valós része: Rez a, képzetes része Imz b Ez alapjá a megoldások
RészletesebbenI. rész. c) Az m valós paraméter értékétől függően hány megoldása van a valós számok halmazán az alábbi egyenletnek?
Fazakas Tüde, 05 ovember Emelt szitű érettségi feladatsorok és megoldásaik Összeállította: Fazakas Tüde; dátum: 05 ovember I rész feladat a) Egymillió forit összegű jelzálogkölcsöt veszük fel évre 5%-os
RészletesebbenA figurális számokról (IV.)
A figurális számokról (IV.) Tuzso Zoltá, Székelyudvarhely A továbbiakba külöféle számkombiációk és összefüggések reprezetálásáról, és bizoyos összegek kiszámolásáról íruk. Sajátos összefüggések Az elekbe
RészletesebbenLeíró és matematikai statisztika gyakorlat 2018/2019 II. félév
Leíró és matematikai statisztika gyakorlat 08/09 II. félév Táblázatok Viszoyszámok: V = A, ahol A: a viszoyítás tárgya amit viszoyítuk; B B: a viszoyítás alapja amihez viszoyítuk Megoszlási: a sokaság
RészletesebbenLineáris kódok. u esetén u oszlopvektor, u T ( n, k ) május 31. Hibajavító kódok 2. 1
Lieáris kódok Defiíció. Legye SF q. Ekkor S az F q test feletti vektortér. K lieáris kód, ha K az S k-dimeziós altere. [,k] q vagy [,k,d] q. Jelölések: F u eseté u oszlopvektor, u T (, k ) q sorvektor.
Részletesebben18. Differenciálszámítás
8. Differeciálszámítás I. Elméleti összefoglaló Függvéy határértéke Defiíció: Az köryezetei az ] ε, ε[ + yílt itervallumok, ahol ε > tetszőleges. Defiíció: Az f függvéyek az véges helye vett határértéke
RészletesebbenÖSSZEFÜGGÉSVIZSGÁLAT, PARAMÉTERBECSLÉS
ÖSSZEFÜGGÉSVIZSGÁLAT, PARAMÉTERBECSLÉS Összefüggésvizsgálat, paraméterbecslés A kísérletek sorá a redszer állapotát ellemző paraméterek kapcsolatát vizsgáluk. A yert adatok alapá felállítuk a redszer matematikai
RészletesebbenMATEMATIKA I. KATEGÓRIA (SZAKKÖZÉPISKOLA)
O k t a t á s i H i v a t a l A 5/6 taévi Országos Középiskolai Taulmáyi Versey első forduló MATEMATIKA I KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értékelési útmutató A 5 olya égyjegyű szám, amelyek számjegyei
Részletesebben1. ALGORITMUSOK MŰVELETIGÉNYE
1 ALGORITMUSOK MŰVELETIGÉNYE Az ismertetésre kerülő adatszerkezeteket és algoritmusokat midig jellemezzük majd a hatékoyság szempotjából Az adatszerkezetek egyes ábrázolásairól megállapítjuk a helyfoglalásukat,
Részletesebben