Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
|
|
- Vince Nemes
- 4 évvel ezelőtt
- Látták:
Átírás
1 Biometria 2. előadás Biostatisztika = Biometria = Orvosi statisztika Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések és mérések segítségével tárja fel. A statisztika véletlen jelenségek leírásával foglalkozik, melyek kimenetelét különböző okok miatt nem lehet 1% biztonsággal megjósolni. A statisztika elkészítésének menete: 1. Mérés (adatok összegyűjtése, számszerűsítése) 2. Kiértékelés (adatok feldolgozása, statisztikai módszerek alkalmazása) 3. Következtetések levonása (óvatosság!) 4. Döntés 213. február 4. A biostatisztika az élővilággal kapcsolatos jelenségeket matematikai módszerekkel elemző tudomány. Modell a biológiában és orvostudományban Modell: a valóság olyan közelítése, amely bizonyos egyszerűsítéssel megőrzi annak leglényegesebb tulajdonságait és alkalmas a valóság törvényszerűségeinek feltárására. Jellemző rá, hogy: (i) leírható matematikai formalizmus segítségéval (ii) kísérletek segítségével ellenőrizhető (iii) predikciók tehetők a jövőre nézve Egy példa a determinisztikus modellre: A cukor vizes oldata a lineárisan poláros fény rezgési síkját jobbra forgatja. A savas hidrolízis a molekulát D-fruktózra és D-glukózra bontja, a D-fruktóz erősen balraforgató, így a reakció során az optikai forgatás előjelváltását figyelhetjük meg (inverzió), ahogy a D-fruktóz mennyisége felszaporodik. A modellek osztályozása: (i) determinisztikus: (adott feltételek mellett) a kísérletnek csakis egy lehetséges kimenetele van * véletlen hibák (ii) sztochasztikus: (legalább egy véletlen elem is található, így adott feltételek mellett) a kísérletnek több lehetséges kimenetele van Ha ismerjük egy rendszer mostani állapotát (a teljes múltját is akár), akkor sem tudjuk teljes biztossággal a jövőbeli állapotát * találgatás * biológiai variabilitás Optikai aktivitás: (i) Szacharóz jobbraforgató (ii) D-fruktóz balraforgató A jobbraforgatás csökkenése a cukor inverziós reakciója során. a i jelenti a forgatás szögét a reakció végén, míg a az elforgatás szöge egy tetszőleges t időpillanatban. 1
2 Miért determinisztikus modell? Ha az elforgatás szöge egy tetszőleges t időpillanatban ismert, a reakció tetszőleges állapota egyértelműen meghatározható a feltételezett modell alapján, azaz adott feltételek mellett a kísérletnek egy csakis egy lehetséges kimenetele van, azaz a rendszer jövőbeni állapotát a rendszer múltja egyértelműen meghatározza. Egy példa a sztochasztikus modellre: Dern és Wiorkowski 1969-ben 17 családban vizsgálták meg a legfiatalabb és a legidősebb fiúnál az eritrociták ATP szintjét. Az ATP szint (M/g hemoglobin) lényeges faktor, meghatározza a vérből a különböző sejtek számára az energiaátadás lehetséges mértékét. A vizsgálat eredeti célja a vérkészítmények tárolása során bekövetkező változások analízise volt, vajon a tárolás mennyire befolyásolja az eritrociták ATP tartalmát. A vizsgálat során kiderült, hogy az eritrociták ATP szintje tárolás előtt is lényegesen különbözik egymástól. A kísérleti adatokból a fiatal és idősebb fiúk ATP szintjei között egyértelmű hozzárendelés nem tehető, az adatok csak egy sajátos - egyenessel közelíthető - tendenciát mutatnak: az idősebb testvér nagyobb ATP szintje esetén a fiatalabb testvér ATP szintje is magasabb. Ilyen típusú tendencia esetén struktúrált sztochasztikus modellről beszélünk. Mit várunk? Van valamilyen tendenia! Biológiai variabilitásnak meg kell mutatkoznia: genetika környezet placebo mérési hiba 2
3 Miért sztochasztikus modell? Keressük a lineáris összefüggést! (i) a testsúly és testmagasság között egyértelmű hozzárendelés nem tehető, csupán (ii) (egy egyenessel közelíthető) sajátos tendencia figyelhető meg: magasabb embereknek nagyobb (lehet) a súlyuk Tehát nem lehet egyértelműen megjósolni a független változó egy adott értékéhez tartozó függő változó értékét, azaz olyan rendszerrel van dolgunk, amelyben a mérés várható eredménye bizonytalan, a kísérletnek több lehetséges kimenetel is van Még egy példa a sztochastikus modellre: Baktériumok növekedése A placebó problémája Három fájdalomcsillapító - Aspirin, Codis és Distalgesic - hatását vizsgálták placeboval keresztezett kísérleti elrendezésben (cross-over design). A páciensek egymást követő együtt izületi fájdalmak csillapítására (Huskisson, 1974). Huszonkét pácienst kezeltek ú.n. periódusokban gyógyszert, majd placebot kaptak. Legyen: *1 db baktérium kezdetben (t=) * átlagosan 3 óránként osztódnak Determinisztikus modell: ahol a megoldás: Sztochasztikus modell: * biológiai rendszerek tipikus sztochasztikus rendszerekként kezelhetők * az oszódás folyamatának 3 lehetséges kimenetele látható * a sztoch tendencia mintha zaj lenne a determinisztikus tendenciát követve 3
4 Adatok feldolgozása, gyakorisági eloszlások, hisztogram Mérésnél vagy kísérletnél általában a következő feltételek teljesítése kívánatos: a./ a vizsgálandó mennyiség a folyamat jellemzésére megkívánt pontossággal mérhető, b./ a mérési eljárás kellő érzékenységet biztosít, c./ a mérés kellő pontossággal reprodukálható, d./ a mért mennyiség az illető folyamatra specifikus, e./ a mérés fejezze ki a komplex változás lényegét, azaz a mérés releváns, kellő kifejező erővel bír, f./ a mérésre kiválasztott mennyiség vagy tulajdonság legyen alkalmas időbeli folyamat során a közbülső állapotokban a különbségek kimutatására, g./ a mérés legyen konvertibilis, a mért mennyiség nagyságából lehessen visszakövetkeztetni a vizsgálni kívánt tulajdonság nagyságára, h./ a méréssel járó beavatkozás a vizsgálandó objektumban vagy a vizsgálandó folyamatban ne okozzon torzítást, i./ a mérés legyen technikailag könnyen keresztülvihető, j./ a mérési folyamat legyen gazdaságos, csak a szükséges számú és típusú mérést végezzük el, k./ olyan konstrukciót célszerű választani, amely nem jár emberi vagy környezeti veszélyeztetéssel. Fogalmak Populáció: A statisztikai megfigyelés tárgyát képező egyedek összességét populációnak nevezzük. pl: Ha az emberek átlagos várható élettartamát vizsgáljuk, akkor az emberiség egésze. Ha a megfigyelés célja csak a magyar nők vizsgálata, akkor az összes magyar nő alkotja. A populáció elemei: az egyedek Egy populációról kétféleképpen szerezhetünk információt: 1. Cenzus 2. Minta (+ kontroll csoport) Reprezentatív mintavétel: elemeknek egymástól függetlennek kell lennie, a kiválogatás véletlenszerű Fogalmak Változó: a mért adat különböző számértékű lehet a populáció egyes elemeinél pl: M 1 biológiai rendszeren (determinisztikus séma) A M 2 biológiai rendszeren (sztochasztikus séma) A 1, A 2, A 3,, A n ahol A ill. A 1, A 2, A 3,, A n az X változó egy-egy értéke. a kísérlet lehetséges kimenetele Mivel az X változó értékét egy-egy esemény esetében véletlen tényezők befolyásolják, ezért X-et valószínűségi vagy véletlen változónak nevezzük. Fogalmak Biológiai rendszeren végzett kísérletek esetén (biológiai variabilitás miatt) a mérés kimenetelének bizonytalanságával kell számolnunk. pl: vérplazma ionkoncentrációja eltérő lehet amúgy egészséges embereknél egyes mérési eredmények nem azonos gyakorisággal fordulnak elő, ezért bevezetjük a valószínűségi változók eloszlása fogalmát az eloszlások ismeretében megbízható becsléseket tehetünk az egyes mérési eredmények előfordulásának gyakoriságáról. 4
5 A változókat különbözőképpen szokás osztályozni Mérési skálák-1: Kvalitatív skála 1. Nominális skála (nem sorbarendezhető): a megfigyelés eredményei osztályokba sorolhatók, amelyek között nincs számszerű kapcsolat. pl: a születendő gyermek neme (fiú/lány, hajszín, tüdődaganatok szövettani beosztása (kissejtes rák, nagysejtes rák, mirigyhám eredetű rák, laphámrák). 2. Ordinális skála (sorrenden alapuló skála): Ebben az esetben az egyes kategóriák kvantitatív alapon sorba rendezhetők, meg tudjuk mondani, melyik a jobb vagy több. pl. a daganatokat vagy a szívelégtelenséget előrehaladottságuk szerint stádiumokra szokták osztani. A daganatok stádiumbeosztását általában egy és IV közötti skálán végzik, és az előrehaladottság mértéke a stádiummal nő. Mérési skálák-2: Kvantitatív skála Numerikus skála: ebben az esetben a prezentált számoknak numerikus, kvantitatív jelentése van. Pl. ha két ember magassága 15 illetve 75 cm, akkor egyikőjük kétszer olyan magas, mint a másik. Ordinális skála esetében ugyanez nem mondható el (egy IV. stádiumú daganat nem kétszer olyan súlyos vagy előrehaladott, mint egy II. stádiumú). A numerikus skála lehet 1. folytonos (pl. vércukor szint) 2. diszkrét (pl. csonttörések száma),! folytonos valószínűségi változót is meg lehet diszkrét numerikus skálán jeleníteni, ha a folytonos skálát intervallumokra osztják. Mérési eredmények kiértékelése: táblázat, grafikon készítés 1. Kvalitatív adatok gyakorisági eloszlása diagnózis schizophrenia affective betegség szerves agyi syndroma diagnózis subnormalitás alkoholizmus egyéb és nem ismert Gyakoriság (frekvencia) A relatív gyakoriság (relatív frekvencia) a százalékban kifejezett gyakoriság schizophrenia affective betegség A példában pszichiátriai kórház szerepel, a tábla adatai adott napon egy cenzus eredményét tüntetik fel. szerves agyi syndroma subnormalitás alkoholizmus egyéb és nem ismert 1. Kvalitatív adatok gyakorisági eloszlása Összesen 119 fázis I. és fázis II. súlyosságú tumoros megbetegedésben szenvedő páciens esetében klinikai vizsgálatban próbálták ki a bigomycint. 81 betegnél semmiféle mellékhatást nem tapasztaltak, 215 esetben csekély, 72 esetben mérsékelten súlyos, míg 12 beteg esetében súlyos mellékhatást állapítottak meg. Mérési eredmények kiértékelése: táblázat, grafikon készítés 2. Kvantitatív adatok gyakorisági eloszlása Korábbi terhességek száma Gyakoriság Relatív gyakoriság gyakoriság relatív gyakoriság vagy több Összes
6 Hisztogram A hisztogram a frekvenciaeloszlás grafikai ábrázolása, ahol az érintkező függőleges oszlopok szélességei arányosak a változó osztályszélességeivel, az oszlopok magassága pedig arányos az osztály frekvenciájával. A hisztogram metrikusan skálázott tulajdonságok grafikus ábrázolása. Ha túl sok érték szerepel, akkor osztályokba vonják össze őket. Az egyes osztályok szélessége változhat. A mennyiségeket a szorosan egymás mellé rajzolt téglalapok jelölik, ahol az egyes téglalapok területe az adott osztály gyakoriságát mutatja. A téglalapok magassága az osztály gyakorisági sűrűségét jelöli, ami az adott osztály szélességével leosztott gyakoriság. Hisztogram A vér glükózszintje (mm/l) 4, elsőéves gyógyszerésztan hallgatóból álló mintán. A glükózszint folytonos véletlen változó, de kiértékeléshez csoportosítást végzünk. Hogyan döntjük el, hogy hány intervallumra osszuk: (i) (ii) (iii) 4 k = 2.5 N k = lgn 2 k N k az intervallumok száma N a mérések száma Koncentráció (mm/l) frekvencia frekvencia Relatív frelvencia relatív frekvencia Unimodális eloszlás: gyakoriságok a középső érték körül sűrűsödnek. A folytonos változó intervallumából kategóriákat csináltunk! Frekvencia és kumulatív frekvencia Halálesetek osztályozása ban Angliában és Walesben Relatív frekvencia és relatív kumulatív frekvencia
3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
Biostatisztika = Biometria = Orvosi statisztika Biomatematika 2. előadás Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések
RészletesebbenBiomatematika 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[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)
RészletesebbenStatisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában
Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,
RészletesebbenMintavétel 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
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése
Matematikai alapok és valószínőségszámítás Statisztikai változók Adatok megtekintése Statisztikai változók A statisztikai elemzések során a vizsgálati, vagy megfigyelési egységeket különbözı jellemzık
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
RészletesebbenMi 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[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
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenFEGYVERNEKI 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[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenStatisztika - 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
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
RészletesebbenOrvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN
Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás
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
RészletesebbenBevezetés 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
RészletesebbenBiometria 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
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenAz empirikus vizsgálatok alapfogalmai
Az empirikus vizsgálatok alapfogalmai Az adatok forrása és jellege Milyen kísérleti típusok fordulnak elő a beszédtudományokban? Milyen adatok jönnek ki ezekből? Tudományosan (statisztikailag) megválaszolható
Részletesebbeny 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
RészletesebbenSTATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!
A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:
RészletesebbenSTATISZTIKA. 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
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
RészletesebbenBevezető Mi a statisztika? Mérés Csoportosítás
Gazdaságstatisztika 1. előadás Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.bmf.hu) Fogadóóra: szerda 11:30 11:55, TA125 Gyakorlatvezető
RészletesebbenMérés és modellezés Méréstechnika VM, GM, MM 1
Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni
RészletesebbenMérés és modellezés 1
Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenStatisztika 10. évfolyam. Adatsokaságok ábrázolása és diagramok értelmezése
Adatsokaságok ábrázolása és diagramok értelmezése A statisztikában adatsokaságnak (mintának) nevezik a vizsgálat tárgyát képező adatok összességét. Az adatokat összegyűjthetjük táblázatban és ábrázolhatjuk
RészletesebbenA 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
RészletesebbenMicrosoft Excel 2010. Gyakoriság
Microsoft Excel 2010 Gyakoriság Osztályközös gyakorisági tábla Nagy számú mérési adatokat csoportokba (osztályokba) rendezése -> könnyebb áttekintés Osztályokban szereplő adatok száma: osztályokhoz tartozó
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2017. 03. 20. Khí-négyzet (χ 2 ) Próba Ha mérés során kapott adatokról eleve tudjuk, hogy nem követik a normális vagy más ismert eloszlást, akkor a korábban
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
Részletesebben[GVMGS11MNC] Gazdaságstatisztika
[GVMGS11MNC] Gazdaságstatisztika 1. előadás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.uni-obuda.hu)
RészletesebbenSta t ti t s i zt z i t k i a 3. előadás
Statisztika 3. előadás Statisztika fogalma Gyakorlati tevékenység Adatok összessége Módszertan A statisztika, mint gyakorlati tevékenység a tömegesen előforduló jelenségek egyedeire vonatkozó információk
RészletesebbenValószínűségszámítás 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:
RészletesebbenMÉRÉSI 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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenA kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András
Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat
RészletesebbenNagy 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
RészletesebbenBiostatisztika 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.
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
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,
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
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
RészletesebbenGépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
RészletesebbenLeíró statisztika. Adatok beolvasása az R-be és ezek mentése
Leíró statisztika. Adatok beolvasása az R-be és ezek mentése Leíró statisztika Definíciója: populáció egy ismert részhalmazára vonatkozó megfigyelések leírása és összegzése. Jelentősége: nominális adatok
Részletesebben[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 =
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenVáltozók eloszlása, középértékek, szóródás
Változók eloszlása, középértékek, szóródás Populáció jellemzése Empirikus kutatás (statisztikai elemzés) célja: a mintából a populációra következtetni. Minta: egy adott változó a megfigyelési egységeken
RészletesebbenMatematika feladatbank I. Statisztika. és feladatgyűjtemény középiskolásoknak
Matematika feladatbank I. Statisztika Elméleti összefoglaló és feladatgyűjtemény középiskolásoknak ÍRTA ÉS ÖSSZEÁLLÍTOTTA: Dugasz János 2011 Fapadoskonyv.hu Kft. Dugasz János Tartalom Bevezető 7 Adatok
Részletesebben1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
RészletesebbenPIACKUTATÁS (MARKETINGKUTATÁS)
PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel
RészletesebbenStatisztikai módszerek 7. gyakorlat
Statisztikai módszerek 7. gyakorlat A tanult nem paraméteres próbák: PRÓBA NEVE Illeszkedés-vizsgálat Χ 2 próbával Homogenitás-vizsgálat Χ 2 próbával Normalitás-vizsgálataΧ 2 próbával MIRE SZOLGÁL? A val.-i
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenSTATISZTIKA I. A változók mérési szintjei. Nominális változók. Alacsony és magas mérési szint. Nominális változó ábrázolása
A változók mérési szintjei STATISZTIKA I. 3. Előadás Az adatok mérési szintjei, Viszonyszámok A változók az alábbi típusba tartozhatnak: Nominális (kategorikus és diszkrét) Ordinális Intervallum skála
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
RészletesebbenKÖZPONTI STATISZTIKAI HIVATAL. Szóbeli vizsgatevékenység
KÖZPONTI STATISZTIKAI HIVATAL A vizsgarészhez rendelt követelménymodul azonosító száma, megnevezése: 2144-06 Statisztikai szervezői és elemzési feladatok A vizsgarészhez rendelt vizsgafeladat megnevezése:
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenEPIDEMIOLÓGIA I. Alapfogalmak
EPIDEMIOLÓGIA I. Alapfogalmak TANULJON EPIDEMIOLÓGIÁT! mert része a curriculumnak mert szüksége lesz rá a bármilyen tárgyú TDK munkában, szakdolgozat és rektori pályázat írásában mert szüksége lesz rá
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenEgyszempontos variancia analízis. Statisztika I., 5. alkalom
Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek
RészletesebbenBevezetés az SPSS program használatába
Bevezetés az SPSS program használatába Statisztikai szoftver alkalmazás Géczi-Papp Renáta SPSS alapok Statistical Package for Social Sciences SPSS nézetek: Data View Variable View Output Viewer Sintax
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely február 20. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. február 20. Outline 1 A mérési hiba Megbízhatóság és érvényesség 2 A kutatás megtervezése A kutatás lehetséges céljai A kutatás
RészletesebbenA statisztika alapjai - Bevezetés az SPSS-be -
A statisztika alapjai - Bevezetés az SPSS-be - Kvantitatív statisztikai módszerek Petrovics Petra, Géczi-Papp Renáta SPSS alapok Statistical Package for Social Sciences SPSS nézetek: Data View Variable
Részletesebbeny 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.
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
RészletesebbenA 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:
RészletesebbenBAGME11NNF 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
RészletesebbenAz első számjegyek Benford törvénye
Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenA khi-négyzet próba és alkalmazásai: illeszkedésés függetlenségvizsgálat. khi-(χ 2 )-négyzet próba
A khi-négyzet próba és alkalmazásai: illeszkedésés függetlenségvizsgálat khi-(χ 2 )-négyzet próba Khi-(χ 2 )-négyzet próba A χ 2 -négyzet próbát leggyakrabban a következő problémák megoldásánál alkalmazzák:
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
RészletesebbenElemi 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
RészletesebbenA Hisztogram használata a digitális képszerkesztésben
Mechatronika, Optika és Mûszertechnika Tanszék A Hisztogram használata a digitális képszerkesztésben Tárgy: Fotó és Készítette: Curávy Tamás képszerkesztési technikák B1Y6IV Elõadó: Antal Á kos Budapest,
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenMéréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ)
Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ) KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o A hiba fogalma o Méréshatár és mérési tartomány M é r é s i h i b a o A hiba megadása o A hiba
RészletesebbenStatisztikai csalások és paradoxonok. Matematikai statisztika Gazdaságinformatikus MSc november 26. 1/31
Matematikai statisztika Gazdaságinformatikus MSc 11. előadás 2018. november 26. 1/31 A tojást rakó kutya - a könyv Hans Peter Beck-Bernholdt, Hans-Hermann Dubben: A tojást rakó kutya c. könyve alapján
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
RészletesebbenMatematikai 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
RészletesebbenKUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel
KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,
RészletesebbenPopulációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
RészletesebbenA MODELLALKOTÁS ELVEI ÉS MÓDSZEREI
SZENT ISTVÁN EGYETEM GÖDÖLLŐ MECHANIKAI ÉS GÉPTANI INTÉZET A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI Dr. M. Csizmadia Béla egyetemi tanár, az MMK Gépészeti Tagozatának elnöke Budapest 2013. október. 25. BPMK
RészletesebbenA 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
RészletesebbenFEGYVERNEKI 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
RészletesebbenJelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék
Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006
RészletesebbenStatisztika I. 1. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre A STATISZTIKA FOGALMA 1. Gyakorlati számbavételi tevékenység tömegjelenségek számbavétele, elemzése összefüggések feltárása következtetések levonása Célja:
Részletesebben