11. Matematikai statisztika

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "11. Matematikai statisztika"

Átírás

1 11. Matematikai statisztika Alapfogalmak A statisztikai minta valamely valószínűségi változóra vonatkozó véges számú független kisérlet eredménye. Ez véges sok, azonos eloszlású valószínűségi változó együttese. Az egyes megfigyelési eredmények a minta elemei. A megfigyelések száma a minta elemszáma. Jelölés:ξ 1,ξ 2,...,ξ n Megjegyzés: A kisérletek során mindegyik mintaelem egy konkrét értéket vesz fel: ξ 1 = x 1,ξ 2 = x 2,...,ξ n = x n Szokás az (x 1, x 2,..., x n ) értékhalmazt is statisztikai mintának nevezni. Azt az F n :R R függvényt, amelynek x R helyen felvett értéke az x-nél kisebb megfigyelések számának relatív gyakorisága empirikus eloszlásfüggvénynek nevezzük. 1 F n x 1 x 2 x 3 x 4 x 5... x n x Készítette: Vajda István 169

2 Glivenko tétele: Legyenξ 1,ξ 2,...,ξ n aξvalósznűségi változóra vonatkozó n- elemű statisztikai minta, ξ eloszlásfüggvénye F, a minta empirikus eloszlásfüggvénye F n. Ha n az empirikus és az elméleti eloszlásfüggvények közötti eltérés maximuma, azaz n = max x R F n (x) F (x), akkor n 1 valószínűséggel egyenletesen 0-hoz konvergál. A statisztikai minta ábrázolható gyakorisági- és sűrűséghisztogram segítségével is: A mintaelemeket tartalmazó intervallumot általában 6-12 részintervallumra bontjuk. Az egyes intervallumokra rajzolt téglalapok területe arányos az intervallumba eső mintaelemek számával. k i i d 1 d 2 d 3... d i 1 d i d n i = d i d i 1 x A gyakorisági hisztogram esetén a téglalapok magassága k i k i =, azaz a téglalap területe megegyezik a részintervallumba eső mintaelemek számával. Ilyenkor a téglalapok terület- i d i d i 1 összege a minta elemszáma. k i n i d 1 d 2 d 3... d i 1 d i d n i = d i d i 1 x A sűrűségi hisztogram esetén a téglalapok magassága k i. Ilyenkor a téglalapok területe az n i adott részintervallumba eső mintaelemek relatív gyakorisága, területösszege pedig 1. Készítette: Vajda István 170

3 A mintaelemek valamelyα n =α n (ξ 1,ξ 2,...,ξ n ) függvényét statisztikai függvénynek, röviden statisztikának nevezzük. Aξvalószínűségi változóra vonatkozóξ 1,ξ 2,...,ξ n statisztikai minta elemeinek ξ= ξ 1+ξ ξ n n számtani közepét mintaközépnek nevezzük. Megjegyzés: A mintaközép aξvalószínűségi változó várható értékének közelítésére szolgál. Ha aξvalószínűségi változó várható értéke M(ξ)=m, szórása D(ξ) = σ, akkor aξ-re vonatkozóξ 1,ξ 2,...,ξ n statisztikai mintából számított ξ mintaközép várható értéke M( ξ)=m(ξ)=m, szórása D( ξ)= D(ξ) = σ. Megjegyzés: Valamely A esemény relatív gyakorisága a mintaközép speciális esete. Készítette: Vajda István 171

4 Empirikus szórásnégyzetnek nevezzük a mintaelemeknek a ξ mintaközéptől való négyzetes átlageltérését, azaz az statisztikát. Megjegyzések: S 2 n= (ξ 1 ξ) 2 + (ξ 2 ξ) (ξ n ξ) 2 n Az emirikus szórásnégyzet négyzetgyökét, azaz az (ξ 1 ξ) S n = 2 + (ξ 2 ξ) (ξ n ξ) 2 n statisztikát empirikus szórásnak nevezzük. Az empirikus szórásnégyzet (szórás), az elméleti szórásnégyzet (szórás) közelítésére szolgál. Az S 2 n empirikus szórásnégyzet várható értéke aholσjelöli az elméleti szórást. M(S 2 n 1 n )= n σ2, Korigált empirikus szórásnégyzetnek nevezzük az statisztikát. S 2 n = n n 1 S2 n Készítette: Vajda István 172

5 Az S 2 n empirikus szórásnégyzet várható értéke M(S 2 n )=σ 2. Az empirikus szórásnak és a mintaközépnek a hányadosát a c v = S n ξ statisztikát variációs tényezőnek nevezzük. Megjegyzés: A variációs tényezőt relatív szórásnak is szokás nevezni Becsléselmélet Legyen az a paraméter a vizsgált ξ valószínűségeloszlás egy elméleti jellemzője. Ha a-t azα n =α n (ξ 1,ξ 2,...,ξ n ) statisztikával kívánjuk becsülni ésα n várható értéke megegyezik az a paraméter értékével azaz M(α n )=a, akkorα n az a paraméternek tozítatlan becslése. Példák: A mintaközépξvárható értékének torzítatlan becslése. A korrigált empirikus szórásξelméleti szórásának torzítatlan becslése. A relatív gyakoriság torzítatlan becslése valamely A esemény P(A) = p valószínűségének. Készítette: Vajda István 173

6 Az empirikus szórás nem torzítatlan becsléseξelméleti szórásának. Az a paraméternek valamelyα 1,α 2,...,α n becsléssorozatát aszimptotikusan torzítatlan becsléssorozatnak nevezzük, ha lim M(α n)=a. n Az S 2 n empirikus szórásnégyzet aszimptotikusan torzítatlan becsléseσ 2 -nek, azaz az elméleti szórásnégyzetnek Konfidenciaintervallumok Az eddig vizsgált ún. pontbecslések mellett gyakran alkalmazzák az intervallumbecsléseket is. A mintából nem tudjuk megmondani az a paraméter pontos értékét, viszont meg tudunk adni egy olyan intervallumot, ami az ismeretlen paramétert nagy pl. 95%-os valószínűséggel tartalmazza. Az ilyen intervallumot az a paraméterre vonatkozó konfidenciaintervallumnak (megbízhatósági intervallumnak) nevezzük. Ha a ξ normális eloszlású valószínűségi változó várható értéke M(ξ) = m, szórása ésξ 1,ξ 2,...,ξ n egyξ-re vonatkozó statisztikai minta, akkor P ( ξ u ε < m< ξ+u ε )=1 ε, haφ(u ε )=1 ε 2. Készítette: Vajda István 174

7 Megjegyzés: Mivel ξ u ε < m< ξ+u ε ekvivalens az m u ε < ξ<m+u ε összefüggéssel, a tételben is helyes lett volna Hipotézisvizsgálat P ( m u ε < ξ<m+u ε )=1 ε Statisztikai hipotézisen egy vagy több valószínűségeloszlásra vonatkozó valamilyen feltevést értünk. A statisztikai hipotézisvizsgálatban egy igaznak feltételezett állításból indulunk ki (ún. nullhipotézis, jelölése H 0 ), az eloszlás vagy paraméter számára a nullhipotézistől eltérő más lehetőségek (esetleg az összes más lehetőségek) együttesét ellenhipotézisnek vagy alternatív hipotézisnek (jelölése H 1 ) nevezzük. Azt az eljárást, amelynek alapján egy statisztikai hipotézisről döntünk, statisztikai próbának nevezzük. Amennyiben a H 0 hipotézist véges sok paraméter határozza meg, és így a kérdés az eloszlás valamely paraméterére vonatkozik, akkor paraméteres próbáról beszélünk. A döntéssel kapcsolatosan a következő esetek lehetségesek: A H 0 hipotézist elfogadjuk A H 0 hipotézist elutasítjuk H 0 fennáll helyes döntés elsőfajú hiba H 0 nem áll fenn másodfajú hiba helyes döntés Készítette: Vajda István 175

8 Az egymintás u-próba Tegyük fel, hogy aξvalószínűségi változó normális eloszlású és ismerjük az M(ξ)= szórást. Nullhipotézisünk: H 0 : M(ξ)=m 0 Ellenhipotézis (kétoldali): H 1 : M(ξ) m 0 Ha aξvalószínűségi változóra vonatkozóan rendelkezésünkre áll aξ 1,ξ 2,...,ξ n szatisztikai minta, akkor képezzük a ξ mintaközepet és számítsuk ki az u= ξ m 0 statisztikát. Ekkor (H 0 -t igaznak feltételezve): aholφ(u ε )=1 ε 2. n P( u ε < u<u ε H 0 )=1 ε, Valamely statisztikai próba kritikus tartománya a próbastatisztika azon értékeinek halmaza, amely értékek esetén H 0 -t elvetjük, elfogadási tartománya pedig a próbastatisztika azon értékeinek halmaza, amelyértékek esetén H 0 -t elfogadjuk. Az u-próba esetén az elfogadási tartomány a ] u ε, u ε [ intervallum, a kritikus tartományt az u ε -nál nagyobb, illetve a u ε -nál kisebb értékek alkotják. A fentiek szerint az elsőfajú hiba elkövetésének valószínűsége az u-próba esetén kicsi (ε-nal egyenlő). Azεszámot szokás a próba szignifikanciaszintjének nevezni. Példa: Egy gyár által előállított villanykörtékből egy bizonyos napon 100 elemű mintát vettek. A körték élettartama normális eloszlású 120 óra szórással. A minta alapján az átlagos élettartamra 1570 órát kaptak. Döntse el 5%-os szignifikanciaszinten, hogy ez az eredmény a körték 1600 órás élettartamának megváltozását jelenti-e! Megoldás: H 0 : m 0 = 1600 H 1 : m u= ξ m 0 30 n= = 2.5 Mivel u ε = 1.96, u a kritikus tartományba esik, így a nullhipotézist 5%-os szignifikanciaszinten elvetjük. Tehát az izzók élettartama megváltozott. Készítette: Vajda István 176

9 Kicsit módosul a számolás, ha ún. egyoldali ellenhipotézist alkalmazunk. Ilyenkor u ε -t úgy választjuk, hogyφ(u ε )=1 ε teljesüljön. Példa: Egy pékségben készült cipók tömege normális eloszlású 500 g várható értékkel és 20 g szórással. 25 cipót lemérnek és a tömegük átlagára 490 g-ot kaptak. Állíthatjuk-e, hogy a teljes készletnél csökkent a tömeg átlagos értéke? Megoldás: H 0 : m 0 = 500 H 1 : m 0 < 500 u= ξ m 0 10 n= 20 5= 2.5 Mivel u ε = 1.645, u < u ε, tehát u a kritikus tartományba esik. A nullhipotézist ezen a szignifikanciaszinten elvetjük, a cipók tömege a pékségben csökkent Az egymintás t-próba Az u próba csak abban az esetben használható, ha a ξ valószínűségi változó szórását már ismerjük. Ha csak annyit tudunk, hogy ξ normális eloszlású változó, és a várható értékére vonatkozó nullhipotésiről szeretnénk dönteni, akkor t-próbát alkalmazhatunk. Ennek alapja a Student vagy t-eloszlás, melynek értékeit a normális eloszláshoz hasonlóan táblázatból kereshetjük ki. A t statisztika hasonló az u statisztikához, csak az elméleti szórás helyett a korrigált empirikus szórás szerepel a nevezőben: t n 1 = ξ m 0 S n ahol az indexben szereplő n 1 a használt t-eloszlás szabadsági foka (ami 1-gyel kisebb a mintaelemszámnál). Példa: Egy tojásszállítmányból 5 darabos mintát vettek, méréskor a tojások súlyára a 6.7, 6.5, 7.1, 7.3 és 6.8 gramm értékeket kaptuk. Döntse el 5%-os szinten, hogy a tojások tömege szignifikánsan eltér-e 7 grammtól! Megoldás: t 4 = ξ m 0 S n H 0 : m 0 = 7 n, H 1 : m = 5= Mivel t ε = 2.776, t 4 < t ε, tehát a H 0 hipotézist elfogadjuk, a tojások tömege nem tér el szignifikánsan a 7 grammtól. Kicsit módosul a megoldás egyoldali ellenhipotézis esetén. Ilyenkor t ε értékét a p=2ε-nal jelölt oszlopból kell kiolvasni. Készítette: Vajda István 177

10 Példa: Egy konzervgyárban egy adagológép előírás szerint 500 grammot tölt az üvegbe. Ellenőrzés során 10 üveg lemérésekor a minta átlagára 494 grammot, a tapasztalati szórásra 8.06 grammot kaptak. A tömeg normális eloszlásúnak tekinthető. Döntse el 5%-os szignifikanciaszinten, hogy a gép jól dolgozik-e vagy kevesebbet tölt az üvegekbe! Megoldás: t 9 = ξ m 0 S n n= ξ m 0 S n H 0 : m 0 = 500 H 1 : m 0 < 500 n 1= Mivel t ε = 1.833, t 9 >t ε, tehát a H 0 hipotézist elvetjük, feltételezhetjük, hogy a gép kevesebbet tölt az üvegekbe 500 grammnál Illeszkedésvizsgálat Az olyan statisztikai próbát, amelynek alapján arról döntünk, hogy valamelyξvalószínűségi változó F (ismeretlen) eloszlása lehet-e az F 0 eloszlásfüggvénnyel jellemzett eloszlás, illeszkedésvizsgálatnak nevezzük. Tekintsünk egy olyan kisérletet, amelyben az A 1, A 2,..., A n események teljes eseményrendszert alkotnak. Legyen a nullhipotézis a következő: H 0 : P(A i )=p i, ahol i {1, 2,..., n} és n p i = 1 i=1 Ha N független kisérletet végzünk, és az A 1, A 2,..., A n események rendreν 1,ν 2,...,ν n esetben következnek be ( n ν i = N), akkor képezzük a i=1 n χ 2 n 1 = (ν i Np i ) 2 Np i i=1 statisztikát. Ennek eredményét összehasonlítva aχ 2 eloszlás táblázatából kiolvasott értékkel, dönthetünk H 0 elfogadásáról, illetve elvetéséről: aχ 2 kisebb a táblázatból kiolvasott értéknél, n 1 akkor a H 0 hipotézist elfogadjuk, ellenkező esetben elvetjük. Készítette: Vajda István 178

11 Példa: Négy érmét 160-szor feldobtunk. A fejek számának gyakorisági eloszlását az alábbi táblázat tartalmazza: Fejek száma (i) Gyakoriság (ν i ) Ellenőrizzükχ 2 próbával 5%-os szignifikanciaszinten, hogy az érmék szabályosak-e! Megoldás: Ha az érmék szabályosak, akkor a fejek száma binomiális eloszlást követ. Ennek alapján a következő táblázat készíthető: Ennek alapján: Fejek száma (i) Gyakoriság (ν i ) A binomiális eloszlásnak megfelelő valószínűségek Np i ν i Np i (ν i Np i ) 2 Np i χ <χ2 ε Tehát nincs okunk a H 0 hipotézis elvetésére, az érmék szabályosnak tekinthetők. Készítette: Vajda István 179

Elméleti összefoglalók dr. Kovács Péter

Elméleti összefoglalók dr. Kovács Péter Elméleti összefoglalók dr. Kovács Péter 1. Adatállományok létrehozása, kezelése... 2 2. Leíró statisztikai eljárások... 3 3. Várható értékek (átlagok) vizsgálatára irányuló próbák... 5 4. Eloszlások vizsgálata...

Részletesebben

Illeszkedésvizsgálat χ 2 -próbával

Illeszkedésvizsgálat χ 2 -próbával Illeszkedésvizsgálat χ -próbával Szalay Krisztina 1. feladat (tiszta illeszkedésvizsgálat) Négy pénzérmét 0-szor feldobunk. A kapott gyakoriságok: fejek száma 0 1 3 4 Összes gyakoriság 5 35 67 41 1 0 Elfogadható-e

Részletesebben

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 6. MA3-6 modul. A statisztika alapfogalmai

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 6. MA3-6 modul. A statisztika alapfogalmai Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 6. MA3-6 modul A statisztika alapfogalmai SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról szóló 1999.

Részletesebben

Hipotézis-ellenırzés (Statisztikai próbák)

Hipotézis-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

Részletesebben

Hipotézisvizsgálat. A sokaság valamely paraméteréről állítunk valamit,

Hipotézisvizsgálat. A sokaság valamely paraméteréről állítunk valamit, II. Hipotézisvizsgálat Lényege: A sokaság valamely paraméteréről állítunk valamit, majd az állításunk helyességét vizsgáljuk. A hipotézisvizsgálat eszköze: a statisztikai próba Menete: 1.Hipotézisek matematikai

Részletesebben

Statisztikai módszerek

Statisztikai módszerek Statisztikai módszerek A hibaelemzı módszereknél azt néztük, vannak-e kiugró, kritikus hibák, amelyek a szabályozás kivételei. Ezekkel foglalkozni kell; minıségavító szabályozásra van szükség. A statisztikai

Részletesebben

Valószínűségszámítás

Valószínűségszámítás Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Valószínűségszámítás programtervező informatikusok részére Eger, 010. szeptember 0. Tartalomjegyzék 1. Véletlen események...............................

Részletesebben

Tómács Tibor. Matematikai statisztika

Tómács Tibor. Matematikai statisztika Tómács Tibor Matematikai statisztika Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Matematikai statisztika Eger, 01 Szerző: Dr. Tómács Tibor főiskolai docens Eszterházy Károly

Részletesebben

10. Valószínűségszámítás

10. Valószínűségszámítás . Valószínűségszámítás.. Események A valószínűségszámítás nagyon leegyszerűsítve események bekövetkezésének valószínűségével foglalkozik. Példák: Ha egy játékban egy dobókockával dobunk, akkor a kockadobás

Részletesebben

Általános statisztika II. Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László

Általános statisztika II. Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Publication

Részletesebben

Sztochasztikus folyamatok 1. házi feladat

Sztochasztikus folyamatok 1. házi feladat Sztochasztikus folyamatok 1. házi feladat 1. Egy borfajta alkoholtartalmának meghatározására méréseket végzünk. Az egyes mérések eredményei egymástól független valószínûségi változók, melyek normális eloszlásúak,

Részletesebben

Statisztikai módszerek gyakorlat - paraméteres próbák

Statisztikai módszerek gyakorlat - paraméteres próbák Statisztikai módszerek gyakorlat - paraméteres próbák A tanult paraméteres próbák: PRÓBA NEVE Egymintás U próba Kétmintás U próba Egymintás T próba Welch próba (Kétmintás T próba) F próba Grubbs próba

Részletesebben

Véletlenszám-generátorok

Véletlenszám-generátorok Véletlenszám-generátorok 1. Lineáris kongruencia generátor megvalósítása: (a) Készítsen lineáris kongruencia generátort az paraméterekkel, rnd_lcg néven. (b) Nyomtasson ki 20 értéket. legyen. (a, c, m,

Részletesebben

Statisztika, próbák Mérési hiba

Statisztika, próbák Mérési hiba Statisztika, próbák Mérési hiba ÁTLAG SZÓRÁS KICSI, NAGY MIN, MAX LIN.ILL LOG.ILL MEREDEKSÉG METSZ T.PROBA TREND NÖV Statisztikai függvények Statisztikailag fontos értékek Számtani átlag: ŷ= i y i /n Medián:

Részletesebben

1. A skót bakák mellkas körmérete N(88, 10). A skót bakák mekkora hányada fér bele egy 84-es zubbonyba?

1. A skót bakák mellkas körmérete N(88, 10). A skót bakák mekkora hányada fér bele egy 84-es zubbonyba? Matematikai statisztika példák Matematikai statisztika példák Normális eloszlás 1. A skót bakák mellkas körmérete N(88, 10). A skót bakák mekkora hányada fér bele egy 84-es zubbonyba? 2. Majmok ébredését

Részletesebben

p j p l = m ( p j ) 1

p j p l = m ( p j ) 1 Online algoritmusok Online problémáról beszélünk azokban az esetekben, ahol nem ismert az egész input, hanem az algoritmus az inputot részenként kapja meg, és a döntéseit a megkapott részletek alapján

Részletesebben

GAZDASÁGI STATISZTIKA

GAZDASÁGI STATISZTIKA GAZDASÁGI STATISZTIKA Dr. Kun István GÁBOR DÉNES FŐISKOLA Tantárgy: Gazdasági statisztika Kódszám: 224 Lapszám: 1 TÉMAKÖRÖK A STATISZTIKA ALAPFOGALMAI STATISZTIKAI SOROK STATISZTIKAI TÁBLÁK ÖSSZETETT VISZONYSZÁMOK

Részletesebben

Bevezetés az ökonometriába

Bevezetés az ökonometriába Bevezetés az ökonometriába Többváltozós lineáris regresszió: mintavételi vonatkozások és modelljellemzés Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Harmadik

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

II. A következtetési statisztika alapfogalmai

II. A következtetési statisztika alapfogalmai II. A következtetési statisztika alapfogalmai Tartalom Statisztikai következtetések A véletlen minta fogalma Pontbecslés és hibája Intervallumbecslés A hipotézisvizsgálat alapfogalmai A legegyszerűbb statisztikai

Részletesebben

Matematikai statisztikai elemzések 1.

Matematikai statisztikai elemzések 1. Matematikai statisztikai elemzések 1. A statisztika alapfogalmai, feladatai, Prof. Dr. Závoti, József Matematikai statisztikai elemzések 1.: A statisztika alapfogalmai, feladatai, statisztika, osztályozás,

Részletesebben

Komputer statisztika gyakorlatok

Komputer statisztika gyakorlatok Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Komputer statisztika gyakorlatok Eger, 2010. október 26. Tartalomjegyzék Előszó 4 Jelölések 5 1. Mintagenerálás 7 1.1. Egyenletes

Részletesebben

I. Általános információk az előadásokról, szemináriumokról, szak- vagy laborgyakorlatokról

I. Általános információk az előadásokról, szemináriumokról, szak- vagy laborgyakorlatokról BABEŞ BOLYAI TUDOMÁNYEGYETEM KOLOZSVÁR KÖZGAZDASÁG- ÉS GAZDÁLKODÁSTUDOMÁNYI KAR SZAKIRÁNY: KÖZÖS TÖRZS EGYETEMI ÉV: 2009/2010 FÉLÉV: IV I. Általános információk az előadásokról, szemináriumokról, szak-

Részletesebben

statisztikai menürendszere Dr. Vargha András 2007

statisztikai menürendszere Dr. Vargha András 2007 A statisztikai menürendszere Dr. Vargha András 2007 2 tartalomjegyzék 1. Alapok (egymintás elemzések Alapstatisztikák Részletesebb statisztikák számítása Gyakorisági eloszlás, hisztogram készítése Középértékekre

Részletesebben

Matematikai statisztikai elemzések 5.

Matematikai statisztikai elemzések 5. Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések. MSTE modul Kapcsolatvizsgálat: asszociáció vegyes kapcsolat korrelációszámítás. Varianciaanalízis

Részletesebben

Variancia-analízis (folytatás)

Variancia-analízis (folytatás) Variancia-analízis (folytatás) 6. elıadás (11-12. lecke) Szórás-stabilizáló transzformációk (folyt.), t-próbák 11. lecke További variancia-stabilizáló transzformációk Egy-mintás t-próba Szórás-kiegyenlítı

Részletesebben

Analízisfeladat-gyűjtemény IV.

Analízisfeladat-gyűjtemény IV. Oktatási segédanyag a Programtervező matematikus szak Analízis. című tantárgyához (003 004. tanév tavaszi félév) Analízisfeladat-gyűjtemény IV. (Függvények határértéke és folytonossága) Összeállította

Részletesebben

KVANTITATÍV MÓDSZEREK

KVANTITATÍV MÓDSZEREK KVANTITATÍV MÓDSZEREK Dr. Kövesi János Tóth Zsuzsanna Eszter 6 Tartalomjegyzék Kvantitatív módszerek. Valószínűségszámítási tételek. eltételes valószínűség. Események függetlensége.... 3.. eltételes valószínűség...

Részletesebben

Define Measure Analyze Improve Control. F(x), M(ξ),

Define Measure Analyze Improve Control. F(x), M(ξ), 5.5.5. Six Sigma Minőségmenedzsment Statisztikai folyamatszabályozási (SPC) rendszer Erdei János Egy fegyelmezett és erősen mennyiségi szemléletű folyamatfejlesztési megközelítés, amely a gyártási, szolgáltatási

Részletesebben

Csicsman József-Sipos Szabó Eszter csicsman@calculus.hu, siposeszti@gmail.com. Matematikai alapok az adatbányászati szoftverek első megismeréséhez

Csicsman József-Sipos Szabó Eszter csicsman@calculus.hu, siposeszti@gmail.com. Matematikai alapok az adatbányászati szoftverek első megismeréséhez Csicsman József-Sipos Szabó Eszter csicsman@calculus.hu, siposeszti@gmail.com Matematikai alapok az adatbányászati szoftverek első megismeréséhez 1.1 A statisztikai sokaság A statisztika a valóság számszerű

Részletesebben

SZAKDOLGOZAT. Takács László

SZAKDOLGOZAT. Takács László SZAKDOLGOZAT Takács László 2012 SZEGEDI TUDOMÁNYEGYETEM Természettudományi és Informatikai Kar Geometria Tanszék Matematika Bsc_LAK SZAKDOLGOZAT Kísérlettervezés latin négyzetek felhasználásával Készítette:

Részletesebben

Analízis előadás és gyakorlat vázlat

Analízis előadás és gyakorlat vázlat Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 00-. I. Félév . fejezet Számhalmazok és tulajdonságaik.. Nevezetes számhalmazok ➀ a) jelölése: N b) elemei:

Részletesebben

Matematika Tanszék MOE (PE MIK) MMAM143VB 1 / 34

Matematika Tanszék MOE (PE MIK) MMAM143VB 1 / 34 Valószín½uségszámítás és matematikai statisztika Mihálykóné Orbán Éva Matematika Tanszék MOE (PE MIK) MMAM143VB 1 / 34 Valószín½uségi változók számérték½u jellemz½oi 1 várható érték 2 szórásnégyzet/szórás

Részletesebben

Populációbecslések és monitoring 2. előadás tananyaga

Populációbecslések és monitoring 2. előadás tananyaga Populációbecslések és monitoring 2. előadás tananyaga 1. A becslések szerepe az ökológiában. (Demeter és Kovács 1991) A szabadon élő állatok egyedszámának kérdése csak bizonyos esetekben merül fel. De

Részletesebben

MATEMATIKA Kiss Árpád Országos Közoktatási Szolgáltató Intézmény Vizsgafejlesztő Központ

MATEMATIKA Kiss Árpád Országos Közoktatási Szolgáltató Intézmény Vizsgafejlesztő Központ MATEMATIKA Kiss Árpád Országos Közoktatási Szolgáltató Intézmény Vizsgafejlesztő Központ I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY Az érettségi követelményeit két szinten határozzuk meg: középszinten a

Részletesebben

MITISZK Miskolc-Térségi Integrált Szakképző Központ

MITISZK Miskolc-Térségi Integrált Szakképző Központ MITISZK Miskolc-Térségi Integrált Szakképző Központ VALÓSZÍNŰSÉG-SZÁMÍTÁS ÉS MATEMATIKAI STATISZTIKA FEGYVERNEKI SÁNDOR Miskolci Egyetem Gépészmérnöki és Informatikai Kar Készült a HEFOP-3.2.2-P.-2004-10-0011-/1.0

Részletesebben

JANUS PANNONIUS TUDOMÁNYEGYETEM. Schipp Ferenc ANALÍZIS I. Sorozatok és sorok

JANUS PANNONIUS TUDOMÁNYEGYETEM. Schipp Ferenc ANALÍZIS I. Sorozatok és sorok JANUS PANNONIUS TUDOMÁNYEGYETEM Schipp Ferenc ANALÍZIS I. Sorozatok és sorok Pécs, 1994 Lektorok: Dr. FEHÉR JÁNOS egyetemi docens, kandidtus. Dr. SIMON PÉTER egyetemi docens, kandidtus 1 Előszó Ez a jegyzet

Részletesebben

2oO5 {l,ar.e,i! ő l k pa tisi T n fulnúzry :lt Ej 11 s 3 {.! L.:{.i1' 6 ős ig:i tji':,3t!t iadvbrya du?lottt nifrui 7'aJbds Janos on l f,. ű ú ő ú ű ő ő ő ü ő ő ő ő ő ő ü ő ü ő ü ő ő ü ő ú ő ú ű ő ő ő

Részletesebben

TERMELÉSMENEDZSMENT. Gyakorlati segédlet a műszaki menedzser szak hallgatói számára. Összeállította: Dr. Vermes Pál főiskolai tanár 2006.

TERMELÉSMENEDZSMENT. Gyakorlati segédlet a műszaki menedzser szak hallgatói számára. Összeállította: Dr. Vermes Pál főiskolai tanár 2006. Szolnoki Főiskola Műszaki és Mezőgazdasági Fakultás Mezőtúr TERMELÉSMENEDZSMENT Gyakorlati segédlet a műszaki menedzser szak hallgatói számára Összeállította: Dr. Vermes Pál főiskolai tanár Mezőtúr 6.

Részletesebben

ÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ

ÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ Szolnoki Főiskola Üzleti Fakultás, 5000 Szolnok, Tiszaligeti sétány ÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ A 4/1996. (I. 18.) Korm. rendelet a közgazdasági felsőoktatás alapképzési szakjainak képesítési

Részletesebben

Tanmenetjavaslat a 6. osztályos matematika kísérleti tankönyvhöz

Tanmenetjavaslat a 6. osztályos matematika kísérleti tankönyvhöz MATEMATIKA 6. Tanmenetjavaslat a 6. osztályos matematika kísérleti tankönyvhöz Témák 1. Játékos feladatok Egyszerű, matematikailag is értelmezhető hétköznapi szituációk megfogalmazása szóban és írásban.

Részletesebben

Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz

Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz Dátum Téma beadandó Feb 12Cs Konvolúció (normális, Cauchy,

Részletesebben

5. Egyszerre feldobunk egy-egy szabályos hat-, nyolc-, és tizenkét oldalú dobókockát.

5. Egyszerre feldobunk egy-egy szabályos hat-, nyolc-, és tizenkét oldalú dobókockát. 1. feladatsor 1. (a) Igazolja, hogy tetszőleges A, B, C eseményekre fennáll, hogy (A B) (A C) = A (B + C)! (b) Sorolja fel a valószínűség-számítás axiómáit! (a) c=? (4) (b) D(ξ)=? (0.4714) { c x 5 (c)

Részletesebben

Dr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások

Dr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások Dr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások Bevezetés A magas mérési szintű változók adataiból számolhatunk átlagot, szórást. Fontos módszerek alapulnak ezeknek a származtatott paramétereknek

Részletesebben

MATEMATIKA 9. osztály Segédanyag 4 óra/hét

MATEMATIKA 9. osztály Segédanyag 4 óra/hét MATEMATIKA 9. osztály Segédanyag 4 óra/hét - 1 - Az óraszámok az AROMOBAN követhetőek nyomon! A tananyag feldolgozása a SOKSZÍNŰ MATEMATIKA (Mozaik, 013) tankönyv és a SOKSZÍNŰ MATEMATIKA FELADATGYŰJTEMÉNY

Részletesebben

ÉPÍTÉSZETI ÉS ÉPÍTÉSI ALAPISMERETEK

ÉPÍTÉSZETI ÉS ÉPÍTÉSI ALAPISMERETEK Építészeti és építési alapismeretek emelt szint 0911 ÉRETTSÉGI VIZSGA 2009. október 19. ÉPÍTÉSZETI ÉS ÉPÍTÉSI ALAPISMERETEK EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI

Részletesebben

STATISZTIKA I. Tantárgykódok. Oktatók. Időbeosztás. Tematika. http://www.agr.unideb.hu/~huzsvai. 1. Előadás Bevezetés, a statisztika szerepe

STATISZTIKA I. Tantárgykódok. Oktatók. Időbeosztás. Tematika. http://www.agr.unideb.hu/~huzsvai. 1. Előadás Bevezetés, a statisztika szerepe Tantárgykódok STATISZTIKA I. GT_APSN018 GT_AKMN021 GT_ATVN020 1. Előadás Bevezetés, a statisztika szerepe Oktatók Előadó: Dr. habil. Huzsvai László tanszékvezető Gyakorlatvezetők: Dr. Balogh Péter Dr.

Részletesebben

egyetemi jegyzet Meskó Balázs

egyetemi jegyzet Meskó Balázs egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.

Részletesebben

MINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia

MINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia MINİSÉGSZABÁLYOZÁS A GÉPIPARBAN Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia ISO 9000:2008 A STATISZTIKAI MÓDSZEREK HASZNÁLATÁRÓL A statisztikai módszerek

Részletesebben

A lineáris programozás 1 A geometriai megoldás

A lineáris programozás 1 A geometriai megoldás A lineáris programozás A geometriai megoldás Készítette: Dr. Ábrahám István A döntési, gazdasági problémák optimalizálásának jelentős részét lineáris programozással oldjuk meg. A módszer lényege: Az adott

Részletesebben

KÍSÉRLET A STATISZTIKA II. TANTÁRGY SZÁMÍTÓGÉPPEL TÁMOGATOTT TÖMEGOKTATÁSÁRA BALOGH IRÉN VITA LÁSZLÓ

KÍSÉRLET A STATISZTIKA II. TANTÁRGY SZÁMÍTÓGÉPPEL TÁMOGATOTT TÖMEGOKTATÁSÁRA BALOGH IRÉN VITA LÁSZLÓ KÍSÉRLET A STATISZTIKA II. TANTÁRGY SZÁMÍTÓGÉPPEL TÁMOGATOTT TÖMEGOKTATÁSÁRA A szerzők rövid cikkükben amellett érvelnek, hogy a bevezető jellegű statisztikai kurzusokban célszerűbb az Excelt használni,

Részletesebben

Analízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév

Analízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév Analízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév Valós számok 1. Hogyan szól a Bernoulli-egyenl tlenség? Mikor van egyenl ség? Válasz. Minden h 1 valós számra

Részletesebben

A bemeneti feszültség 10 V és 20 V között van. 1. ábra A fuzzy tagsági függvény

A bemeneti feszültség 10 V és 20 V között van. 1. ábra A fuzzy tagsági függvény BÁRKÁNYI PÁL: FUZZY MODELL MATEMATIKAI HÁTTERE SPECIÁLIS KATONAI RENDSZEREKRE ALKALMAZVA A katonai rendszerek műszaki megbízhatóságának vizsgálatai során, több matematikai módszert alkalmazhatunk, mint

Részletesebben

Kockázati folyamatok. Sz cs Gábor. Szeged, 2012. szi félév. Szegedi Tudományegyetem, Bolyai Intézet

Kockázati folyamatok. Sz cs Gábor. Szeged, 2012. szi félév. Szegedi Tudományegyetem, Bolyai Intézet Kockázati folyamatok Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet Szeged, 2012. szi félév Sz cs Gábor (SZTE, Bolyai Intézet) Kockázati folyamatok 2012. szi félév 1 / 48 Bevezetés A kurzus céljai

Részletesebben

GÉPÉSZKARI MATEMATIKA MSC

GÉPÉSZKARI MATEMATIKA MSC Bálint Péter - Garay Barna - Kiss Márton - Lóczi Lajos - Nagy Katalin - Nágel Árpád GÉPÉSZKARI MATEMATIKA MSC 211 Ismertető Tartalomjegyzék Pályázati támogatás Gondozó Szakmai vezető Lektor, konzulensek

Részletesebben

BEVEZETÉS AZ ÁBRÁZOLÓ GEOMETRIÁBA

BEVEZETÉS AZ ÁBRÁZOLÓ GEOMETRIÁBA Pék Johanna BEVEZETÉS AZ ÁBRÁZOLÓ GEOMETRIÁBA (Matematika tanárszakos hallgatók számára) Tartalomjegyzék Előszó ii 0. Alapismeretek 1 0.1. Térgeometriai alapok............................. 1 0.2. Az ábrázoló

Részletesebben

Csődvalószínűségek becslése a biztosításban

Csődvalószínűségek becslése a biztosításban Csődvalószínűségek becslése a biztosításban Diplomamunka Írta: Deák Barbara Matematikus szak Témavezető: Arató Miklós, egyetemi docens Valószínűségelméleti és Statisztika Tanszék Eötvös Loránd Tudományegyetem,

Részletesebben

Járműpark üzemeltetési rendszere vizsgálatának Markov típusú folyamatmodellje

Járműpark üzemeltetési rendszere vizsgálatának Markov típusú folyamatmodellje Széchenyi Isván Egyeem Járműpark üzemeleési rendszere vizsgálaának Markov ípusú folyamamodellje Dr. Zvikli Sándor f. anár Széchenyi Isván Egyeem, Győr Közlekedésudományi konferencia Győr, 2 március 24-25

Részletesebben

1. A MÉRNÖKI TERVEZÉS ELMÉLETE

1. A MÉRNÖKI TERVEZÉS ELMÉLETE MA_1 1. A MÉRNÖKI TERVEZÉS ELMÉLETE Minden mérnöki tervezéshez elméleti ismeretek szükségesek, amelyek nemcsak műszaki részletismereteket ölelnek fel, hanem tágabb körű tudást is tartalmazniuk kell. A

Részletesebben

MATEMATIKA TAGOZAT 5-8. BEVEZETŐ. 5. évfolyam

MATEMATIKA TAGOZAT 5-8. BEVEZETŐ. 5. évfolyam BEVEZETŐ Ez a helyi tanterv a kerettanterv Emelet matematika A változata alapján készült. Az emelt oktatás során olyan tanulóknak kívánunk magasabb szintű ismerteket nyújtani, akik matematikából átlag

Részletesebben

Bevezető Mi a statisztika? Mérés Feldolgozás Adatok rendezése Adatok jellemzése Időbeli elemzés Feladatok. Statisztika I.

Bevezető Mi a statisztika? Mérés Feldolgozás Adatok rendezése Adatok jellemzése Időbeli elemzés Feladatok. Statisztika I. Statisztika I. 1. előadás: A statisztika alapfogalmai Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem A kurzusról A kurzus célja

Részletesebben

Alapfogalmak áttekintése. Pszichológiai statisztika, 1. alkalom

Alapfogalmak áttekintése. Pszichológiai statisztika, 1. alkalom Alapfogalmak áttekintése Pszichológiai statisztika, 1. alkalom Hipotézisek Milyen a jó null hipotézis?? H0: Léteznek kitőnı tanuló diszlexiások.? H1: Nem léteznek. Sokkal inkább: H0: Nincs diszlexiás kitőnı

Részletesebben

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Számelmélet I.

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Számelmélet I. Számelmélet I. DEFINÍCIÓ: (Ellentett) Egy szám ellentettjén azt a számot értjük, amelyet a számhoz hozzáadva az 0 lesz. Egy szám ellentettje megegyezik a szám ( 1) szeresével. Számfogalmak kialakítása:

Részletesebben

konfidencia-intervallum Logikai vektorok az R-ben 2012. március 14.

konfidencia-intervallum Logikai vektorok az R-ben 2012. március 14. Valószínűség, pontbecslés, konfidencia-intervallum Logikai vektorok az R-ben 2012. március 14. Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra

Részletesebben

Reiczigel Jenő, 2006 1

Reiczigel Jenő, 2006 1 Reiczigel Jenő, 2006 1 Egytényezős (egyszempontos) varianciaelemzés k független minta (k kezelés vagy k csoport), a célváltozó minden csoportban normális eloszlású, a szórások azonosak, az átlagok vagy

Részletesebben

Matematika POKLICNA MATURA

Matematika POKLICNA MATURA Szakmai érettségi tantárgyi vizsgakatalógus Matematika POKLICNA MATURA A tantárgyi vizsgakatalógus a 0-es tavaszi vizsgaidőszaktól kezdve alkalmazható mindaddig, amíg új nem készül. A katalógus érvényességét

Részletesebben

Növelhető-e a csőd-előrejelző modellek előre jelző képessége az új klasszifikációs módszerek nélkül?

Növelhető-e a csőd-előrejelző modellek előre jelző képessége az új klasszifikációs módszerek nélkül? Közgazdasági Szemle, LXI. évf., 2014. május (566 585. o.) Nyitrai Tamás Növelhető-e a csőd-előrejelző modellek előre jelző képessége az új klasszifikációs módszerek nélkül? A Bázel 2. tőkeegyezmény bevezetését

Részletesebben

MATEMATIKA I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY A) KOMPETENCIÁK

MATEMATIKA I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY A) KOMPETENCIÁK MATEMATIKA I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY Az érettségi követelményeit két szinten határozzuk meg: - középszinten a mai társadalomban tájékozódni és alkotni tudó ember matematikai ismereteit kell

Részletesebben

matematikai statisztika 2006. október 24.

matematikai statisztika 2006. október 24. Valószínűségszámítás és matematikai statisztika 2006. október 24. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................

Részletesebben

Aprítás 2012.09.11. Ipari gyógyszertechnológiai laboratórium gyakorlatai I. félév. Az aprítást befolyásoló tényezők GYAKORLATOK

Aprítás 2012.09.11. Ipari gyógyszertechnológiai laboratórium gyakorlatai I. félév. Az aprítást befolyásoló tényezők GYAKORLATOK 0.09.. Ipari gyógyszertechnológiai laboratórium gyakorlatai I. félév KÖVETELMÉNYEK. A hallgató a gyakorlatra felkészülten érkezik. A művelet típusa. Eredményt befolyásoló paraméterek (általában idő, sebesség,

Részletesebben

I. FEJEZET: ALAPVETŐ INFORMÁCIÓK. 3. OLDAL II. FEJEZET: UTASÍTÁSOK AZ AJÁNLATTEVŐK RÉSZÉRE. 11. OLDAL III. FEJEZET: SZERZŐDÉSTERVEZET. 22.

I. FEJEZET: ALAPVETŐ INFORMÁCIÓK. 3. OLDAL II. FEJEZET: UTASÍTÁSOK AZ AJÁNLATTEVŐK RÉSZÉRE. 11. OLDAL III. FEJEZET: SZERZŐDÉSTERVEZET. 22. TARTALOM I. FEJEZET: ALAPVETŐ INFORMÁCIÓK... 3. OLDAL II. FEJEZET: UTASÍTÁSOK AZ AJÁNLATTEVŐK RÉSZÉRE... 11. OLDAL III. FEJEZET: SZERZŐDÉSTERVEZET... 22. OLDAL IV. FEJEZET: IRAT ÉS NYOMTATVÁNYMINTÁK...

Részletesebben

2) = 0 ahol x 1 és x 2 az ax 2 + bx + c = 0 ( a,b, c R és a 0 )

2) = 0 ahol x 1 és x 2 az ax 2 + bx + c = 0 ( a,b, c R és a 0 ) Fogalom gyűjtemény Abszcissza: az x tengely Abszolút értékes egyenletek: azok az egyenletek, amelyekben abszolút érték jel szerepel. Abszolútérték-függvény: egy elemi egyváltozós valós függvény, mely minden

Részletesebben

MEGOLDÓKULCS AZ EMELT SZINTŰ FIZIKA HELYSZÍNI PRÓBAÉRETTSÉGI FELADATSORHOZ 11. ÉVFOLYAM

MEGOLDÓKULCS AZ EMELT SZINTŰ FIZIKA HELYSZÍNI PRÓBAÉRETTSÉGI FELADATSORHOZ 11. ÉVFOLYAM AZ OSZÁG VEZETŐ EGYETEMI-FŐISKOLAI ELŐKÉSZÍTŐ SZEVEZETE MEGOLDÓKULCS AZ EMELT SZINTŰ FIZIKA HELYSZÍNI PÓBAÉETTSÉGI FELADATSOHOZ. ÉVFOLYAM I. ÉSZ (ÖSSZESEN 3 PONT) 3 4 5 6 7 8 9 3 4 5 D D C D C D D D B

Részletesebben

A mintavétel bizonytalansága

A mintavétel bizonytalansága A mintavétel bizonytalansága Farkas Zsuzsa, Prof. Dr. Ambrus Árpád FarkasZs@nebih.gov.hu, AmbrusArp@nebih.gov.hu NÉBIH ÉKI A termék megfelelőség ellenőrzése - A mintavétel és az analitikai vizsgálati eredmények

Részletesebben

Konfidencia-intervallumok

Konfidencia-intervallumok Konfdenca-ntervallumok 1./ Egy 100 elemű mntából 9%-os bztonság nten kéített konfdenca ntervallum: 177,;179,18. Határozza meg a mnta átlagát és órását, feltételezve, hogy az egé sokaság normáls elolású

Részletesebben

Statisztikai alapismeretek (folytatás)

Statisztikai alapismeretek (folytatás) Statisztikai alapismeretek (folytatás) 3. elıadás (5-6. lecke) Az alapsokaság fıbb jellemzıi () 5. lecke Folytonos változó megoszlásának jellemzése A sokasági átlag és szórás Átlag és szórás tulajdonságai

Részletesebben

Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat.

Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat. 1 Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat. A statisztika tanulásához a legtöbb infomrációkat az előadásokon és számítógépes

Részletesebben

Valószínűségszámítás és statisztika. István Fazekas

Valószínűségszámítás és statisztika. István Fazekas Valószínűségszámítás és statisztika István Fazekas Tartalomjegyzék 1. fejezet. A valószínűségszámítás alapfogalmai 5 1.1. A valószínűség 5 1.2. Halmazalgebrák és σ-algebrák 11 1.3. A feltételes valószínűség

Részletesebben

ELEMI VALÓSZÍNŰSÉGSZÁMÍTÁS és STATISZTIKAI MÓDSZEREK A FIZIKÁBAN

ELEMI VALÓSZÍNŰSÉGSZÁMÍTÁS és STATISZTIKAI MÓDSZEREK A FIZIKÁBAN ELEMI VALÓSZÍNŰSÉGSZÁMÍTÁS és STATISZTIKAI MÓDSZEREK A FIZIKÁBAN SINKOVICZ PÉTER (PhD hallgató) MTA WIGNER FIZIKAI KUTATÓKÖZPONT (2013) a TARTALOMJEGYZÉK A VALÓSÁG STATISZTIKAI LEKÉPEZÉSE 1. Alapfogalmak

Részletesebben

A.11. Nyomott rudak. A.11.1. Bevezetés

A.11. Nyomott rudak. A.11.1. Bevezetés A.. Nyomott rudak A... Bevezetés A nyomott szerkezeti elem fogalmat általában olyan szerkezeti elemek jelölésére használjuk, amelyekre csak tengelyirányú nyomóerő hat. Ez lehet speciális terhelésű oszlop,

Részletesebben

4. sz. Füzet. A hibafa számszerű kiértékelése 2002.

4. sz. Füzet. A hibafa számszerű kiértékelése 2002. M Ű S Z A K I B I Z O N S Á G I F Ő F E L Ü G Y E L E 4. sz. Füzet A hibafa számszerű kiértékelése 00. Sem a Műszaki Biztonsági Főfelügyelet, sem annak nevében, képviseletében vagy részéről eljáró személy

Részletesebben

MUNKAANYAG. Szabó László. Szilárdságtan. A követelménymodul megnevezése:

MUNKAANYAG. Szabó László. Szilárdságtan. A követelménymodul megnevezése: Szabó László Szilárdságtan A követelménymodul megnevezése: Kőolaj- és vegyipari géprendszer üzemeltetője és vegyipari technikus feladatok A követelménymodul száma: 047-06 A tartalomelem azonosító száma

Részletesebben

2. Hatványozás, gyökvonás

2. Hatványozás, gyökvonás 2. Hatványozás, gyökvonás I. Elméleti összefoglaló Egész kitevőjű hatvány értelmezése: a 1, ha a R; a 0; a a, ha a R. Ha a R és n N; n > 1, akkor a olyan n tényezős szorzatot jelöl, aminek minden tényezője

Részletesebben

Valószínűség-számítás II.

Valószínűség-számítás II. Valószínűség-számítás II. Geometriai valószínűség: Ha egy valószínűségi kísérletben az események valamilyen geometriai alakzat részhalmazainak felelnek meg úgy, hogy az egyes események valószínűsége az

Részletesebben

A matematika alapjai 1 A MATEMATIKA ALAPJAI. Pécsi Tudományegyetem, 2006

A matematika alapjai 1 A MATEMATIKA ALAPJAI. Pécsi Tudományegyetem, 2006 A matematika alapjai 1 A MATEMATIKA ALAPJAI Dr. Tóth László Pécsi Tudományegyetem, 2006 Köszönöm Koós Gabriella végzős hallgatónak, hogy felhívta a figyelmemet az anyag előző változatában szereplő néhány

Részletesebben

Matematikai statisztikai elemzések 6.

Matematikai statisztikai elemzések 6. Matematikai statisztikai elemzések 6. Regressziószámítás: kétváltozós lineáris és nemlineáris regresszió, többváltozós regresszió Prof. Dr. Závoti, József Matematikai statisztikai elemzések 6.: Regressziószámítás:

Részletesebben

Mesterséges Intelligencia I. (I602, IB602)

Mesterséges Intelligencia I. (I602, IB602) Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos

Részletesebben

Gráfelmélet/Diszkrét Matematika MSc hallgatók számára. Párosítások

Gráfelmélet/Diszkrét Matematika MSc hallgatók számára. Párosítások Gráfelmélet/Diszkrét Matematika MSc hallgatók számára Párosítások 2012. november 19. Előadó: Hajnal Péter 1. Alapfogalmak Emlékeztető. Legyen G egy gráf, E(G) a G élhalmaza, V (G) gráfunk csúcshalmaza.

Részletesebben

STATISZTIKA PRÓBAZH 2005

STATISZTIKA PRÓBAZH 2005 STATISZTIKA PRÓBAZH 2005 1. FELADATSOR: számítógépes feladatok (még bővülni fog számítógép nélkül megoldandó feladatokkal is) Használjuk a Dislexia Excel fájlt (internet: http:// starts.ac.uk)! 1.) Hasonlítsuk

Részletesebben

Erdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány

Erdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány Budapesti Műszaki- és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállalkozásgazdaságtan Tanszék Erdei János egyetemi adjunktus Minőség- és megbízhatóság menedzsment

Részletesebben

Feladatok és megoldások a 6. heti eladshoz

Feladatok és megoldások a 6. heti eladshoz Feladatok és megoldások a 6. heti eladshoz Építőkari Matematika A3 1. Ha E(X = 1 és D 2 (X = 5, határozzuk meg (a E[(2 + X 2 ], (b D 2 (4 + 3X értékét. 2. Legyenek X 1, X 2,... független azonos eloszlású

Részletesebben

Osztályozóvizsga követelményei

Osztályozóvizsga követelményei Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 5 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Gondolkodási

Részletesebben

ÖNJAVÍTÓ AGGREGÁLÁS SZENZORHÁLÓZATOKBAN ÉS AGGREGÁTOR NODE VÁLASZTÁS. Schaffer Péter. Tézisfüzet. Konzulens: Buttyán Levente, Ph.D.

ÖNJAVÍTÓ AGGREGÁLÁS SZENZORHÁLÓZATOKBAN ÉS AGGREGÁTOR NODE VÁLASZTÁS. Schaffer Péter. Tézisfüzet. Konzulens: Buttyán Levente, Ph.D. BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM HÍRADÁSTECHNIKAI TANSZÉK ÖNJAVÍTÓ AGGREGÁLÁS ÉS AGGREGÁTOR NODE VÁLASZTÁS SZENZORHÁLÓZATOKBAN Tézisfüzet Schaffer Péter Konzulens: Buttyán Levente, Ph.D.

Részletesebben

Összefoglaló valószínűségszámításból a Gépészmérnök Msc szak hallgatói számára

Összefoglaló valószínűségszámításból a Gépészmérnök Msc szak hallgatói számára Összefoglaló valószínűségszámításból a Gépészmérnök Msc szak hallgatói számára Matematikai alapszöveg: Bálint Péter, BME Differenciálegyenletek Tanszék Konzultáció, kiegészítések gépészmérnöki szempontok

Részletesebben

Gyakorló feladatok Anyagmérnök hallgatók számára

Gyakorló feladatok Anyagmérnök hallgatók számára Gyakorló feladatok Anyagmérnök hallgatók számára. feladat Egy külkereskedelmi vállalat 7 ezer üvegből álló gyümölcskonzerv szállítmányt exportál. A nettó töltősúly ellenőrzése céljából egy 9 elemű véletlen

Részletesebben

Statisztikai programcsomagok

Statisztikai programcsomagok Statisztikai programcsomagok Sz cs Gábor Szegedi Tudomáyegyetem, Bolyai Itézet Szeged, 2012. tavaszi félév Sz cs Gábor (SZTE, Bolyai Itézet) Statisztikai programcsomagok 2012. tavaszi félév 1 / 26 Bevezetés

Részletesebben

Vízgyűrűs vákuumszivattyú (Vi)

Vízgyűrűs vákuumszivattyú (Vi) Vízgyűrűs vákuumszivattyú (Vi) 1. Melyek a vákuumszivattyúk leggyakrabban alkalmazott jelleggörbéi? Ismertessen hármat! Az izotermikus teljesítmény a relatív vákuum függvényében: P izot = f 1 ( p ) A térfogatáram

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

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Geometria I.

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Geometria I. Geometria I. Alapfogalmak: Az olyan fogalmakat, amelyeket nem tudunk egyszerűbb fogalmakra visszavezetni, alapfogalmaknak nevezzük, s ezeket nem definiáljuk. Pl.: pont, egyenes, sík, tér, illeszkedés.

Részletesebben

Az áprilisi vizsga anyaga a fekete betűkkel írott szöveg! A zölddel írott rész az érettségi vizsgáig még megtanulandó anyag!

Az áprilisi vizsga anyaga a fekete betűkkel írott szöveg! A zölddel írott rész az érettségi vizsgáig még megtanulandó anyag! Részletes követelmények Matematika házivizsga Az áprilisi vizsga anyaga a fekete betűkkel írott szöveg! A zölddel írott rész az érettségi vizsgáig még megtanulandó anyag! A vizsga időpontja: 2015. április

Részletesebben