STATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)

Save this PDF as:

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "STATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)"

Átírás

1 Normális eloszlás sűrűségfüggvénye STATISZTIKA 9. gyakorlat Konfidencia intervallumok f σ π ( µ ) σ ( ) = e /56 p 45% 4% 35% 3% 5% % 5% % 5% Normális eloszlás sűrűségfüggvénye % (cm) 3/56 F Eloszlásf sfüggvény ( µ ) σ ( ) = e σ π d 4/56,9 Valósz színűségek Normális eloszlás s jelölése,8,7,6,5,4,3,, átlag N(µ, σ) /56 6/56

2 NORM.ELOSZLÁS NORM.ELOSZL(;középért rték;szórás;eloszlásfv) X: Az az érték, amelynél l az eloszlást st ki kell számítani. Középérték: Az eloszlás s középértk rtéke (várhat rható értéke). Szórás: Az eloszlás s szórása. sa. Eloszlásfv sfv: Logikai érték. Ha értéke IGAZ, akkor a NORM.ELOSZL függvf ggvény az eloszlásf sfüggvény értékét t számítja ki, ha értéke HAMIS, akkor a sűrűségfs gfüggvényét. NORM.ELOSZL() függvf ggvény ellenőrz rzése =NORM.ELOSZL(;;;IGAZ) =NORM.ELOSZL(,96;;;IGAZ) 7/56 8/56 Sűrűségfüggvény előáll llítása Átlag: kg Szórás: kg NORM.ELOSZL(;;;hamis),45,4,35,3,5,,5 Eloszlásf sfüggvény előáll llítása Átlag: kg Szórás: kg NORM.ELOSZL(;;;igaz),,8,6,4,,, / /56 Példa. Példa. Átlag: kg Szórás: kg Mi a színűsége, hogy 8 kg-nál kisebb lesz a tömege? t,8% Átlag: kg Szórás: kg Mi a színűsége, hogy kg-nál kisebb, de 9 kg-nál l nagyobb lesz a tömege? 97,7% - 5,87% = 8,86% /56 /56

3 INVERZ.NORM INVERZ.NORM(val ínűség;középérték;sz szórás) Valósz színűség: A standard normális eloszláshoz shoz tartozó színűség. Középérték: Az eloszlás s középértk rtéke (várhat rható értéke). Szórás: Az eloszlás s szórása. sa. Ha bármelyik b argumentum értéke nem szám, akkor az INVERZ.NORM az #ÉRT# RTÉK! hibaért rtéket adja vissza. Ha színűség g < vagy színűség g >, akkor az INVERZ.NORM eredménye a #SZÁM! hibaért Ha szórás, akkor az INVERZ.NORM a #SZÁM! hibaért rtéket adja eredmény Az INVERZ.NORM a standard normális eloszlást st használja, ha középértk rték k = és s szórás s = (lásd INVERZ.NORM függvf ggvény ellenőrz rzése =INVERZ.NORM(,975;;) =INVERZ.NORM(,84;;) INVERZ.STNORM). 3/56 4/56 Standard normális eloszlás s jelölése NORMALIZÁLÁS N(, ) z i = i µ σ 5/56 6/56 NORMALIZÁLÁS A függvf ggvény a középértk rték és s a szórás értékkel megadott eloszlás s alapján n normalizált lt értéket ad eredmény Szintais NORMALIZÁLÁS(;középért rték;szórás) X: A normalizáland landó érték. Középérték: Az eloszlás s középértk rtéke (várhat rható értéke). Szórás: Az eloszlás s szórása. sa. Ha szórás, akkor a NORMALIZÁLÁS eredménye a #SZÁM! hibaért rték lesz Standard normáleloszl leloszlás sűrűségfüggvénye φ ( /56 8/56 k lesz. ) π = µ, medián, módusz π e 3

4 Standard normális eloszlás eloszlásf sfüggvénye Φ ( ) = e π d 9/56,9,8,7,6,5,4,3,, Standard normáleloszl leloszlás eloszlásf sfüggvénye,6,84, /56 Standard normáleloszl leloszlás s 68%-os színűsége /56 A normál l eloszlás s nevezetes értékei Megbízhatóság % ,9 µ ± z % σ,96,58 3,9 /56 STNORMELOSZL Z: Az az érték, amelynél l az eloszlást st ki kell számítani. Ha a z argumentum értéke nem szám, akkor a STNORMELOSZL az #ÉRT# RTÉK! hibaért rtéket adja eredmény 3/56 INVERZ.STNORM INVERZ.STNORM(val ínűség) Valósz színűség: A standard normális eloszláshoz shoz tartozó színűség. Ha a színűség értéke nem szám, akkor az INVERZ.STNORM az #ÉRT# RTÉK! hibaért rtéket adja eredmény Ha színűség g < vagy színűség g >, akkor az INVERZ.NORM eredménye a #SZÁM! hibaért Az INVERZ.STNORM függvf ggvény adott színűségértékkel olyan z értéket keres, amelynél l STNORMELOSZL(z) = színűség. Így az INVERZ.STNORM pontossága függ az STNORM.ELOSZL pontosságától. Az INVERZ.STNORM függvf ggvény iteráci ciós s keresési si eljárást alkalmaz. Amennyiben a keresés s nem konvergál l lépés s után, a függvf ggvény #HIÁNYZIK hibaért rtékkel tér t vissza. 4/56 4

5 Alapvető összefüggések + = F ( ) = f ( ) d F( ) f ( ) d = Az eloszlás s alakjának jellemzése Ferdeség g (skewness( skewness,, normális eloszlás= s= körüli érték) lim F( ) = lim F( ) = + Csúcsoss csosság g (kurtosis( kurtosis,, normális eloszlás= s= körüli érték) 5/56 6/56 Ferdeség g számítása sa Balra ferde eloszlás n n i i= s ( n )( n ) Aszimmetria mérőszm száma Értéke: mínusz m és s plusz tartomány Nulla esetén n szimmetrikus eloszlás 3,8,6,4,, 7/56-3, -, -,,,, 3, 8/56 Jobbra ferde eloszlás Mikor ferde az eloszlás? s?,45,4,35,3,5,,5,,5,,4,6,8, Statisztikailag igazolt ferdeség, ha a ferdeségi mutató értéke meghaladja a ferdeségi érték k szórásának kétszeresk tszeresét. t. Az eloszlás s nem szimmetrikus 9/56 3/56 5

6 Egyéb b aszimmetria mutatók Csúcsos és s lapos eloszlás Aszimmetria hányadosh Pearson-mutat mutató Bowley-mutat mutató F-mutató ( Q F = ( Q A = 3 3 Mo σ Me) ( Me Q ) Me) + ( Me Q ),8,6,4,, 3/56-3, -, -,,,, 3, 3/56 Csúcsoss csosság g számítása sa n( n + ) ( n )( n )( n 3) 3( n ) ( n )( 3) n 4 i i= s n A csúcsoss csossági érték értelmezése Nulla esetén n normális eloszlás Pozitív érték k esetén n az adatok szélesebb csoportban helyezkednek el Negatív érték k esetén n az adatok szűkebb csoportban helyezkednek el. Statisztikailag igazolt eltérés: a csúcsoss csosság értéke meghaladja a szórásának kétszeresk tszeresét 33/56 34/56 Összefoglalás rték k megbízhat zhatósági tartománya Ismert σ:,96σ,96σ P µ + =,95 n n Ismeretlen σ: t,5 P µ n s t + s =,95 n,5 35/56 36/56 6

7 T.ELOSZLÁS S. A Student-féle t-eloszlás értékét t számítja ki. A t-eloszlt eloszlás s kisszámú mintát tartalmazó adathalmazok hipotézisvizsg zisvizsgálatánál l használhat lható.. A függvény a t-eloszlt eloszlás s kritikus értékeinek táblt blázata helyett is jól j használhat lható. Szintais T.ELOSZLÁS(;szabads szabadságfok;szél) X: Az a szám, amelynél l a függvf ggvény értékét t ki kell számítani. Szabadságfok: Az eloszlás s szabadságfok gfokának száma. Szél: Az eredmény nyül l kapott eloszlássz sszélek száma. Ha szél l =, akkor a T.ELOSZLÁS S egyszélű eloszlást st ad eredmény nyül, míg m g ha szél l =, akkor az T.ELOSZLÁS S eredménye kétszk tszélű eloszlás s lesz. Ha bármelyik b argumentum értéke nem szám, akkor a T.ELOSZLÁS S az #ÉRTÉK! hibaért rtéket adja eredmény Ha szabadságfok <, akkor a T.ELOSZLÁS S eredménye a #SZÁM! hibaért A program a szabadságfok és s a szél l argumentumnál l csak az egész szérték részt veszi figyelembe. Ha a szél l argumentum értéke nem vagy, akkor a T.ELOSZLÁS eredménye a #SZÁM! hibaért 37/56 Ha <, akkor a T.ELOSZLÁS S eredménye a #NUM! hibaért rték. T.ELOSZLÁS S. Ha a szél l =, akkor a T.ELOSZLÁS S számítása: sa: T.ELOSZLÁS S = P( X> ), ahol X a t-eloszlt eloszlást st követk vető véletlen változv ltozó.. Ha a szél l =, akkor a T.ELOSZLÁS S számítása: sa: T.ELOSZLÁS S = P( X > ) = P(X > vagy X < -). Mivel az < nem megengedett, < esetén T.ELOSZLÁS S használatakor vegye figyelembe, hogy T.ELOSZLÁS( S(-,df,) = T.ELOSZLÁS(, S(,df,) = P(X > -) és s T.ELOSZLÁS( S(-,df,) = T.ELOSZLÁS( S( df,) = P( X > ). 38/56 T.ELOSZLÁS S ellenőrz rzése rték k 68%-os megbízhat zhatósági tartománya =T.ELOSZLÁS(,96;3;) S(,96;3;) =T.ELOSZLÁS(,96;3;) S(,96;3;) s P µ n + s n =,68 39/56 4/56 rték k 95%-os megbízhat zhatósági tartománya rték k 99%-os megbízhat zhatósági tartománya s s P,96 µ +,96 =,95 n n s s P,58 µ +,58 =,99 n n 4/56 4/56 7

8 INVERZ.T Szintais INVERZ.T(val ínűség;szabadságfok gfok) Valósz színűség: A Student-féle t-eloszláshoz shoz tartozó színűség. Szabadságfok: Az eloszlás s szabadságfok gfokának száma. Ha bármelyik b argumentum értéke nem szám, akkor a INVERZ.T az #ÉRT# RTÉK! hibaért rtéket adja eredmény Ha színűség g < vagy színűség g >, akkor a INVERZ.T eredménye a #SZÁM! hibaért A program a szabadságfok argumentumnál l csak az egész szérték k részt r veszi figyelembe. Ha szabadságfok <, akkor a INVERZ.T a #SZÁM! hibaért rtéket adja eredmény Az INVERZ.T függvf ggvény a t értéket adja eredmény nyül, ha a P( X > t) = színűségnél l X t-eloszlt eloszlású véletlen változv ltozó és s P( X > t) = P(X < -t vagy X > t). Egyszélű t-értéket kapunk eredmény nyül, ha a színűség g helyett a * színűség értéket használjuk. Ha a színűség g,5, a szabadságfokok száma, a kétszk tszélű értéket az INVERZ.T(,5;) kifejezés s adja, amelynek értéke,839. Az egyszélű érték k ugyanennél a színűségnél és s szabadságfokn gfoknál l INVERZ.T(*,5;) alakban számíthat tható,, amelynek eredménye, /56 INVERZ.T ellenőrz rzése =INVERZ.T(,5;) =INVERZ.T(,3;) 44/56 Kefir zsírtartalma ismert szórás Kefir zsírtartalma ismeretlen szórás s n=3 átlag= 3,% s=,5% =,9% konfidenciasz int(95%) = ±,96 s C. I. alsó széle = 3,% C. I. felső széle = 3,38% = ±,8% 45/56 n=3 átlag= 3,% s=,5% =,9% s SzF=n =n- = 3- = 9 INVERZ.T(,5, 9) =,45 Konfidenciaszint(95%)=,9*,45=,86 46/56 Kefir zsírtartalma ismeretlen szórás Őszi búza b hektolitertömege 8 kg C.I.95% alsó széle: 3,-,86=3,4 n=3 átlag=75 kg s= 5 kg C.I.95% alsó széle: 3,+,86=3,386 47/56 s =,74kg konfidenciasz int(95%) = ±,96 s C. I. alsó széle = 69,63kg C. I. felső széle = 8,37kg = ± 5,37kg 48/56 8

9 rték k megbízhat zhatósági intervalluma véges v sokaságban s N n s N n P,96,96 µ + =,95 n N n N rték k megbízhat zhatósági intervalluma véges v sokaságban Sokaság g középértk rtéke: kg Véletlen elemű minta Minta középértk rtéke: 6 55 kg Minta szórása: sa: Minta S.E.: kg 6 65 kg Minta fpc:,964 49/56 5/56 rték k megbízhat zhatósági intervalluma véges v sokaságban P ( 655,96 665,964 µ 655+,96 665,964) =, 95 P ( 496 µ 7348) =, 95 Sokaság g középértk rtéke: kg 5/56 9

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA 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

Részletesebben

STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)

STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687) STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk? Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését

Részletesebben

GRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens

GRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens GRADUÁLIS BIOSTATISZTIKAI KURZUS 2012. február hó 22. Dr. Dinya Elek egyetemi docens Biometria fogalma The active pursuit of biological knowledge by quantitative methods Sir R. A. Fisher, 1948 BIOMETRIA

Részletesebben

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

Részletesebben

STATISZTIKA. rgykód. beosztás. Oktatók. Időbeoszt. Tematika. 1. előadás MTB Szeptember 15. November 28.

STATISZTIKA. rgykód. beosztás. Oktatók. Időbeoszt.   Tematika. 1. előadás MTB Szeptember 15. November 28. Tantárgyk rgykód STATISZTIKA 1. Előad adás Bevezetés, a statisztika szerepe, Mintavéez ezés, Adatbázisok MTB60057 Oktatók Előad adó: Dr. Huzsvai LászlL szló tanszékvezet kvezető Gyakorlatvezetők: k: Csipkés

Részletesebben

[Biomatematika 2] Orvosi biometria

[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

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen 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

Részletesebben

Bevezetés a hipotézisvizsgálatokba

Bevezetés 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 -

Részletesebben

Normális eloszlás tesztje

Normális eloszlás tesztje Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. 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

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. 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

Részletesebben

Excel segédlet Üzleti statisztika tantárgyhoz

Excel segédlet Üzleti statisztika tantárgyhoz Miskolci Egyetem Üzleti Statisztika és Előrejelzési Intézeti Tanszék Excel segédlet Üzleti statisztika tantárgyhoz. Z próba einek meghatározása óbafüggvény: x - m z = ; vagy σ/ n x - m z = ; vagy s/ n

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő

Részletesebben

y ij = µ + α i + e ij

y ij = µ + α i + e ij Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai

Részletesebben

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.

Részletesebben

y ij e ij BIOMETRIA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 7. Előad Variancia-anal Lineáris modell ltozó bontását t jelenti.

y ij e ij BIOMETRIA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 7. Előad Variancia-anal Lineáris modell ltozó bontását t jelenti. Elmélet let BIOMETRIA 7. Előad adás Variancia-anal Lineáris modellek A magyarázat a függf ggő változó teljes heterogenitásának nak két k t részre r bontását t jelenti. A teljes heterogenitás s egyik része

Részletesebben

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Kabos: 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,

Részletesebben

Elemi statisztika fizikusoknak

Elemi statisztika fizikusoknak 1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok

Részletesebben

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H

Részletesebben

dimenziója Szirmay-Kalos László N= 1/r D D= (logn) / (log 1/r) D= (log4) / (log 3) = 1.26 N = 4, r = 1/3 Vonalzó ( l ) db r =1/3 N = 4 r 2 N 2 N m r m

dimenziója Szirmay-Kalos László N= 1/r D D= (logn) / (log 1/r) D= (log4) / (log 3) = 1.26 N = 4, r = 1/3 Vonalzó ( l ) db r =1/3 N = 4 r 2 N 2 N m r m Fraktálok Hausdorff dimenzió Fraktálok N = N = 4 N = 8 Szirmay-Kalos László r = r = r = N= /r D D= (logn) / (log /r) Koch görbe D= (log4) / (log 3) =.6 N = 4, r = /3 Nem önhasonló objektumok dimenziója

Részletesebben

Statisztika elméleti összefoglaló

Statisztika elméleti összefoglaló 1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11

Részletesebben

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

MINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár

MINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár MINİSÉGBIZTOSÍTÁS egyetemi tanár 3. ELİADÁS 2011. Február 21. NYME FMK TGYI 2006.08.28. 1. fólia FMEA A HIBAELEMZÉSI MÓDSZEREK GYAKORLATI KOMBINÁLÁSA NYME FMK TGYI 2006.08.28. 1/2. fólia FMEA TIPHIB Elnevezés:

Részletesebben

KÖVETKEZTETŐ STATISZTIKA

KÖVETKEZTETŐ 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

Részletesebben

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari

Részletesebben

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő

Részletesebben

STATISZTIKA. Oktatók. A legjobbaknak AV_KMNA221, AV_PNA222. /~huzsvai. Bevezetés, a statisztika szerepe

STATISZTIKA. Oktatók. A legjobbaknak AV_KMNA221, AV_PNA222.  /~huzsvai.  Bevezetés, a statisztika szerepe Tantárgyk rgykódok STATISZTIKA AV_KMNA221 AV_PNA222 1. Előad adás Bevezetés, a statisztika szerepe Oktatók Előad adó: Dr. Huzsvai LászlL szló tanszékvezet kvezető A legjobbaknak Gyakorlatvezetők: k: Dr.

Részletesebben

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58 u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ

Részletesebben

Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.

Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

A Statisztika alapjai

A Statisztika alapjai A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati

Részletesebben

Alapvető karbantartási stratégiák

Alapvető karbantartási stratégiák Alapvető karbantartási stratégiák MBA képzés 2009 Erdei János 4. Tervszerű karbantartás teljesítőképess pesség 00% Teljesítm tménytartalék-diagram kiesési si ciklikus állapotfüggő teljesítménymaradék t

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése 4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól

Részletesebben

Minőség-képességi index (Process capability)

Minőség-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

Részletesebben

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább

Részletesebben

Abszolút folytonos valószín ségi változó (4. el adás)

Abszolút folytonos valószín ségi változó (4. el adás) Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t

Részletesebben

A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

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

Részletesebben

STATISZTIKA. Philosophiae Naturalis Principia Mathematica (A természetfiloz. szetfilozófia fia matematikai alapelvei, 1687) Laplace ( )

STATISZTIKA. Philosophiae Naturalis Principia Mathematica (A természetfiloz. szetfilozófia fia matematikai alapelvei, 1687) Laplace ( ) STATISZTIKA 8. Előad adá Megbíhat tartomáyok (Kofidecia itervallumok) (Kofidecia itervallumok) Sir Iaac Newto, 1643-177 177 Philoohiae Naturali Priciia Mathematica (A terméetfilo etfiloófia fia matematikai

Részletesebben

Normális eloszlás paramétereire vonatkozó próbák

Normális 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

Részletesebben

az Excel for Windows programban

az Excel for Windows programban az Excel for Windows táblázatkezelőblázatkezel programban Mit nevezünk nk képletnek? A táblt blázatkezelő programok nagy előnye, hogy meggyorsítj tják és könnyebbé teszik a felhasználó számára a számítási

Részletesebben

Matematikai statisztikai elemzések 3.

Matematikai statisztikai elemzések 3. Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzek 3. MSTE3 modul Becslelmélet: alapfogalmak, nevezetes statisztikák, intervallum-becsl SZÉKESFEHÉRVÁR

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus

Részletesebben

Széchenyi István Egyetem. Informatika II. Számítási módszerek. 5. előadás. Függvények ábrázolása. Dr. Szörényi Miklós, Dr.

Széchenyi István Egyetem. Informatika II. Számítási módszerek. 5. előadás. Függvények ábrázolása. Dr. Szörényi Miklós, Dr. 5. előadás Függvények ábrázolása Dr. Szörényi Miklós, Dr. Kallós Gábor 2013 2014 1 Tartalom Az elkészítés lépései, áttekintés Példa: egy ismert matematikai függvény és integráljának ábrázolása Technikai

Részletesebben

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x

Részletesebben

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési

Részletesebben

Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József

Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP

Részletesebben

Az átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)

Az 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

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás összefoglaló Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel

Részletesebben

Matematikai geodéziai számítások 10.

Matematikai geodéziai számítások 10. Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László

Részletesebben

Hipotézis vizsgálatok

Hipotézis vizsgálatok Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével

Részletesebben

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Khi-négyzet eloszlás. Statisztika II., 3. alkalom Khi-négyzet eloszlás Statisztika II., 3. alkalom A khi négyzet eloszlást (Pearson) leggyakrabban kategorikus adatok elemzésére használjuk. N darab standard normális eloszlású változó négyzetes összegeként

Részletesebben

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége [GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell

Részletesebben

A pont példájának adatai C1 C2 C3 C

A pont példájának adatai C1 C2 C3 C A 3..5 pont példájának adatai C C C3 C4 0.00000 0.00000 0.00000 0.00000 0.00000 0.96 0.003 0.437 0.458 0.7336 0.00785 0.34957 0.565 0.3308 0.0096 0.43840 0.979 0.343 0.0440 0.44699 0.3008 0.370 0.083 0.44986

Részletesebben

Területi sor Kárpát medence Magyarország Nyugat-Európa

Területi sor Kárpát medence Magyarország Nyugat-Európa Területi sor Terület megnevezése Magyarok száma 2011.01.01. Kárpát medence 13 820 000 Magyarország 10 600 00 Nyugat-Európa 1 340 000 HIV prevalence (%) in adults in Africa, 2005 2.5 Daganatos halálozás

Részletesebben

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1 STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

Statisztika Elıadások letölthetık a címrıl

Statisztika Elıadások letölthetık a címrıl Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel

Részletesebben

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot

Részletesebben

Hipotézis vizsgálatok

Hipotézis vizsgálatok Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével

Részletesebben

Segítség az outputok értelmezéséhez

Segítség az outputok értelmezéséhez Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?

Egymintás 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

Részletesebben

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Matematikai alapok és valószínőségszámítás. Normál eloszlás Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak

Részletesebben

Biostatisztika Összefoglalás

Biostatisztika Összefoglalás Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs

Részletesebben

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 2 Orvosi biometria Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I

Részletesebben

1/8. Iskolai jelentés. 10.évfolyam matematika

1/8. Iskolai jelentés. 10.évfolyam matematika 1/8 2009 Iskolai jelentés 10.évfolyam matematika 2/8 Matematikai kompetenciaterület A fejlesztés célja A kidolgozásra kerülő programcsomagok az alább felsorolt készségek, képességek közül a számlálás,

Részletesebben

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma: Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:

Részletesebben

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely. Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett

Részletesebben

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat során a rendelkezésre álló adatok (statisztikai

Részletesebben

Valószínűségi változók. Várható érték és szórás

Valószínűségi változók. Várható érték és szórás Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement

Részletesebben

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható

Részletesebben

K oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21.

K oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21. Középérték és variancia azonosságának próbái: t-próba, F -próba 2012. március 21. Hipotézis álĺıtása Feltételezés: a minta egy adott szempont alapján más populációhoz tartozik, mint b minta. Nullhipotézis

Részletesebben

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

A konfidencia intervallum képlete: x± t( α /2, df )

A konfidencia intervallum képlete: x± t( α /2, df ) 1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,

Részletesebben

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 17. Outline 1 Leíró statisztikák 2 Középértékek Példa 3 Szóródási mutatók Példa 4 Néhány megjegyzés a grafikonokról 5 Számítások

Részletesebben

Biometria gyakorló feladatok BsC hallgatók számára

Biometria gyakorló feladatok BsC hallgatók számára Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján

Részletesebben

Biostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet

Biostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet Biostatisztika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2018/19 tavaszi félév Bevezetés Tudnivalók, követelmények Tudnivalók, követelmények Félév tematikája: Értékelés: Valószín ségszámítás

Részletesebben

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos: A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,

Részletesebben