Gyak. vez.: Palincza Richárd ( Gyakorlatok ideje/helye: CS , QBF10
|
|
- Csenge Biró
- 4 évvel ezelőtt
- Látták:
Átírás
1 Intervallumek Matematikai statisztika Gazdaságinformatikus MSc 1. előadás szeptember 3. 1/53
2 - Előadó, hely, idő etc. Intervallumek Előadó: Vizer Máté ( Előadások ideje/helye: H ( & ), QBF11 Fogadóóra: előadás után (előzetes lel) Gyak. vez.: Palincza Richárd ( pricsi@cs.bme.hu) Gyakorlatok ideje/helye: CS , QBF10 2/53
3 - Tárgykövetelmények A tárgyból szóbeli vizsga lesz a vizsgaidőszakban. A vizsgázás feltétele a gyakorlati aláírás megszerzése, melyet 1 db házifeladat beadásával lehet megszerezni a félév folyamán. A házifeladatokat (előre láthatóan) a november 12-i héten osztjuk ki és a szorgalmi időszak utolsó napjáig (december 7.) lehet beadni. A házifeladat egy komplex elemzés végrehajtása egy adatsoron. A vizsgán az előadáson elhangzottakat kell tudni. Intervallumek 3/53
4 - Adminisztratív ügyek Intervallumek a tárgy honlapja: ide felkerülnek az előadás slidejai (+ ütemterv, táblázatok etc.) ajánlott irodalom: 1. Ketskeméty - Pintér: Matematikai statisztika jegyzet ( 2. Ketskeméty - Izsó - Könyves Tóth: Bevezetés az IBM SPSS Statistics programrendszerbe 3. Bolla - Krámli: következtetések elmélete 4/53
5 - Valószínűségszámítás átismétlése Első gyakorlaton a főbb fogalmak átismétlése (valószínűségi mező, valószínűségi változó, sűrűség- és eloszlásfüggvény, várható érték (momentumok), függetlenség, nevezetes (diszkrét és folytonos) eloszlások) Vetier András jegyzete Vetier_Valoszinusegszamitas.pdf Intervallumek 5/53
6 (Előzetes) áttekintés a - címszavakban Intervallumek Hipotézisvizsgálat (paraméteres/ nem paraméteres) Varianciaanaĺızis Regresszióanaĺızis Faktor- és főkomponensanaĺızis Adatredukció Idősorok Mintavételezés, kérdőívek készítése 6/53
7 - Mi a statisztika? Intervallumek A statisztika a matematika azon ága, melynek alapfeladata az, hogy a politikus kezébe olyan eszközt adjon, mellyel tetszőleges álĺıtás és annak ellentéte is tudományos alapon igazolható. (ismeretlen forrás) A világ számszerűsíthető tényeinek szisztematikus összegyűjtése és azok elemzése. Feladat, cél: a tapasztalati adatokból az információk kinyerése, statisztikai törvényszerűségek feltárása, következtetések levonása és felhasználása. Modellépítés, paraméter, következtetések, hipotézisek vizsgálata. 7/53
8 - Példa Intervallumek 8/53
9 - Sokaság, populáció Intervallumek Sokaság, populáció: A vizsgálat tárgyát képező (általában nagyszámú) egyedek halmaza, amit le szeretnénk írni bizonyos tulajdonságaik alapján. Példa sokaságokra: Magyarország összes lakása Magyaroszág TV nézőinek halmaza Európa összes érvényes forgalmival rendelkező autójának halmaza Egy egyetemi kar hallgatóinak halmaza 9/53
10 - minta 1. Intervallumek Minta realizáltja: A populáció (általában kis elemszámú) részhalmazára vonatkozó adataink összessége. (ismérv) Eset: 1 elemre vonatkozó adatok. Mintaelemszám: A minta realizáltja hány elemre vonatkozó adatot tartalmaz. Változó: A populáció egy (mérhető) jellemzője. Adatmátrix: n p-es mátrix, amiben az n darab elemre vonatkozó adataink összességét tároljuk. (sorai= esetek, oszlopai= változók) 10/53
11 - Adatmátrix Intervallumek 11/53
12 - változók Intervallumek változókra: 1. Magyarország összes lakása: négyzetméter, ár, tégla/panel, komfortfokozat 2. Magyaroszág TV nézőinek halmaza: kor, nem, fizetés, tévézéssel töltött idő etc. Változók lehetnek: mennyiségi = számszerűen mérhető mennyiség minőségi = számszerűen nem mérhető (nem, foglalkozás etc.) 1 névleges = számok kötetlen hozzárendelése (pl férfi=1, nő=2) 2 sorrendi/ordinális = rangsor (pl filmek/fagylaltok etc. között melyik mennyire tetszik) 3 különbségi = önkényes nullpont (pl hőmérséklet etc.) 4 arányskála = valódi nullpont, azaz arány stb számolható (pl hosszúság, jövedelem etc.) 12/53
13 - adatok ábrázolása Pont-, és vonaldiagram Intervallumek 13/53
14 - mintavételezés Intervallumek Mi várnánk el? A reprezentatív legyen. Mint a cseppben a tenger. A populáció minden egyes elemének ugyanakkora esélyt kell biztosítani a mintába kerüléshez. A minta elemszámának elég nagynak kell lennie ahhoz, hogy a következtetéseink átvihetők lehessenek a populációra is. Mintavételezési eljárások: cenzus (nincs erőforrás) rétegzett mintavételezés: vannak információink, hogy az egész populációban adott tulajdonság hogy alakul és ezt a mintában is megtartjuk. véletlen kísérlet 14/53
15 - matematikai modell 1. Intervallumek populáció = Ω tulajdonság = valószínűségi változó X : Ω R p statisztikai minta = X 1,X 2,...,X n teljesen független, X -szel azonos eloszlású valószínűségi változó.!gyakorlati alkalmazásokban n darab szám (p-es), a matematikai modellben n teljesen független valváltozó! Lehetséges cél: például adott lehetséges eloszláscsaládból eldönteni, hogy melyik áll legközelebb a valódi eloszláshoz. 15/53
16 - matematikai modell 2. Intervallumek Legyen (X, F) egy mérhető tér és legyen P valószínűségi mértékek egy halmaza, ahol P P-re (X, F, P) egy Kolmogorov-féle valószínűségi mező. Az X = (X 1,..., X n ) T statisztikai megfigyelést statisztikai mintának nevezzük, ha X i -k teljesen független azonos eloszlású valószínűségi változók P P-n (X, F, P)-n. Azaz P P-re P(X i < x) = F P (x) (i = 1, 2,..., n), F P (X i1 < x 1,..., X ik < x k ) = Π k i=1f P (x i ). n=minta elemszáma, F P (x)=minta eloszlásfüggvénye, X i az i-edik mintaelem, µ P (A) = P(X i A) A F a minta eloszlása. ω Ω-ra (X 1 (ω),..., X n (ω)) a minta realizáltja. 16/53
17 - adatcentrum Intervallumek Tegyük fel hogy X : Ω R egy val. változó és X 1, X 2,..., X n egy ebből vett statisztikai minta. Ekkor X = n i=1 X i n a minta átlaga X k = ord k{x 1, X 2,..., X n } a k-adik legkisebb tehát X 1 = min{x 1, X 2,..., X n } és X n = max{x 1, X 2,..., X n } medián = X n+1, ha n páratlan és X n X n 2 +1, ha n páros módusz = mintában leggyakrabban előforduló elem. 17/53
18 - szórás standard szórás/korrigált empirikus szórás 1 n (X i X ) n 1 2 standard variáció 1 n 1 i=1 n (X i X ) 2 i=1 Intervallumek terjedelem X n X 1 18/53
19 - egyéb statisztikák 1. ferdeség/skewness 1 n s = ( 1 n n i=1 (X i X ) 3 n i=1 (X i X ) 2 ) 3 Mit mér? Mennyire szimmetrikus az eloszlás. Ha az érték 0(-hoz közeli), akkor (nagyjából) szimmetrikus. Ha pozitív, akkor jobbra, ha negatív, akkor balra tolódik el az eloszlás. Intervallumek (a) s < 0 (b) s > 0 19/53
20 - egyéb statisztikák 2. lapultság/curtosis 1 n c = ( 1 n n i=1 (X i X ) 4 3 n i=1 (X i X ) 2 ) 4 Mit mér? Csúcsossága hogy viszonyul a normális eloszláséhoz. Ha pozitív, akkor csúcsosabb. Intervallumek (a) c < 0 (b) c > 0 20/53
21 - matematikai fogalom 1. Legyen t n egy n-változós valós függvény. Akkor a statisztikai minta T n = t n (X 1, X 2,..., X n ) függvényét nevezzük statisztikának. A statisztika egy valószínűségi változó, aminek eloszlásfüggvényét a minta eloszlásfüggvényéből lehet kiszámolni. Intervallumek A T n (ω) = t n (X 1 (ω), X 2 (ω),..., X n (ω)) szám (amikor az argumentumba a mintarealizáció értékeit helyettesítjük), a statisztika számolt értéke. 21/53
22 1. Empirikus eloszlásfüggvény: 0 ha x X1, k F n (x) := n ha Xk < x X k+1 (k = 1, 2,..., n 1), 1 ha Xn < x. F n (x) = 1 n n I Xi <x, ahol i=1 Intervallumek I Xi <x := { 0 ha x < X i, 1 ha X i x. 22/53
23 2. Tétel (Glivenko Cantelli) P( lim sup n x R F n (x) F (x) = 0) = 1 Intervallumek Azaz az empirikus eloszlásfüggvény 1 valószínűséggel, egyenletesen konvergál az eloszlásfüggvényhez. 23/53
24 Tegyük fel, hogy a minta eloszlásfüggvénye képletét egy θ paraméter konkretizálja. Ha ismerjük az értékét, meg tudjuk pontosan adni az eloszlásfüggvényt: F = {F (x, θ) : θ Θ}. Intervallumek 24/53
25 - példa Intervallumek Példa Egy joghurt zsírtartalmát ellenőrzik. A laborban σ pontossággal meg tudják mérni a zsírtartalmat. A mérés a pontos érték körül a normális eloszlás szerint ingadozik. Ha vesznek egy mintát, akkor a minta eloszlása N(θ, σ)! Példa Egy brókerirodában m ügyfél kötvényeit kezelik. Egy ügyfél θ valószínűséggel kér eladást/vételt az irodától. A napi tranzakciók száma Bin(m, θ) eloszlást követ. 25/53
26 A θ paramétert egy statisztikával becsüljük. De mit értünk azon, hogy egy paramétert jól becslünk? 1. Torzítatlanság 2. Aszimptotikus torzítatlanság 3. Konzisztencia 4. Erős konzisztencia 5. Hatásosság Intervallumek 26/53
27 A paraméter e - torzítatlanság 1. Torzítatlanság A T n statisztika a θ paraméter torzítatlan e, ha E(T n ) = θ. A torzítatlanság azt jelenti, hogy a becslő statisztika éppen a becsülendő paraméterérték körül fogja felvenni az értékeit. Intervallumek 27/53
28 A paraméter e - torzítatlanság 2. Intervallumek 28/53
29 A paraméter e - aszimptotikus torzítatlanság Torzítatlanság A T n statisztika a θ paraméter aszimptotikusan torzítatlan e, ha lim n E(T n ) = θ. Intervallumek 29/53
30 A paraméter e - konzisztencia Ha garancia van arra, hogy a minta elemszám növekedtével növekszik a pontosságának valószínűsége, konzisztens ről beszélünk. Konzisztencia A T n statisztika a θ paraméter konzisztens e, ha minden ε > 0 teljesül, hogy lim n P( T n θ > ε) = 0. Intervallumek A statisztika, mint valószínűségi változó sztochasztikusan konvergál a konstans θ-höz. 30/53
31 A paraméter e - erős konzisztencia Erős konzisztencia A T n statisztika a θ paraméter erősen konzisztens e, ha ET n = θ és lim n σ 2 T n = 0. Erősen konzisztens konzisztens, de visszafelé nem feltétlen igaz. Intervallumek 31/53
32 A paraméter e - (erős) konzisztencia Intervallumek 32/53
33 A paraméter e - hatásosság A θ paramétert becslő két torzítatlan közül nyilván a kisebb varianciájú a jobb, hiszen kisebb mértékben ingadozik a paraméter körül. Intervallumek Hatásosság Azaz, a V n statisztika hatásosabb W n -nél, ha 1. EV n = EW n = θ 2. σ 2 V n σ 2 W n Egy torzítatlan hatásos, ha a varianciája minden más torzítatlan nél nem nagyobb. 33/53
34 A paraméter e - hatásosság Intervallumek 34/53
35 A paraméter e - példák 1. Intervallumek Legyen a becsülendő paraméter a várható érték, azaz θ = EX. Átlagstatisztika ( 1 n n i=1 X i) torzítatlan e, hiszen E( 1 n n X i ) = 1 n i=1 n E(X i ) = 1 n i=1 n θ = θ. i=1 35/53
36 A paraméter e - példák 2. Intervallumek Ha még azt is tudjuk, hogy σ 2 X <, akkor az átlagstatisztika erősen konzisztens is, hiszen σ 2 ( 1 n n n i=1 X i ) = σ2 X i i=1 n 2 = σ2 X n 0 Lineáris nek hívunk egy t, ha n i=1 w ix i alakú, ahol n i=1 w i = 1. Lineáris ek között az átlagstatisztika a hatásos, azaz σ 2 ( 1 n n n X i ) σ 2 ( w i X i ) i=1 i=1 36/53
37 A paraméter e - példák 3. Intervallumek Legyen a becsülendő paraméter X varianciája! Az empirikus szórásnégyzet s n = 1 n n i=1 (X i X ) 2 aszimptotikusan torzítatlan, a korrigált empirikus szórásnégyzet pedig torzítatlan, hiszen Es 2 n = E( 1 n = 1 n n (X i X ) 2 ) = 1 n i=1 n i=1 EX 2 i EX 2 n (θ + m 2 ) ( θ n + m2 ) = n 1 n θ. i=1 37/53
38 A paraméter e - példák összefoglalása Intervallumek Az átlagstatisztika a minta várható értékének mint paraméternektorzítatlan e. Ha a mintának létezik szórása, akkor ez a erősen konzisztens is. A minta empirikus szórásnégyzete a minta varianciájának mint paraméternek- aszimptotikusan torzítatlan e. (Ha a mintának létezik negyedik momentuma, akkor a konzisztens is.) A minta korrigált empirikus szórásnégyzet statisztika a minta varianciájának torzítatlan e. (Ha a minta negyedik momentuma létezik, akkor erősen konzisztens e.) 38/53
39 matematikai alapok - alapgondolat Intervallumek A módszer alapgondolatai a következők: 1. A mintánk eloszlásfüggvénye a θ paramétertől függ. 2. Ha egy kísérletnél több esemény is bekövetkezhet, legtöbbször a legnagyobb valószínűségű eseményt fogjuk megfigyelni. 3. A sokaságra vett mintavételezés során kaptunk egy realizációt. Feltételezzük, hogy azért éppen ezt a realizációt kaptuk, és nem mást, mert az összes realizációk közül ennek volt a legnagyobb a bekövetkezési valószínűsége. 4. Vegyük tehát, az összes lehetséges θ paraméter közül azt, amelynél éppen kapott realizáció bekövetkezése a maximális. 39/53
40 ML matematikai alapok - diszkrét eset. Intervallumek Legyen adott P valószínűségi mértékek egy tere és az X 1,..., X n diszkrét eloszlású statisztikai minta E R értékkészlettel minden P θ P-re.Jelölje L(θ, x) = P θ (X 1 = x 1,..., X n = x n ) = Π n i=1p θ (X i = x i ) minta együttes eloszlását. Az eloszlás maximum likelihood én azt a τ n (X 1,..., X n ) statisztikát értjük, amire igaz, hogy L(x, τ n (x)) = max θ R +L(x, θ). 40/53
41 ML példák 1. - Poisson eloszlás 1. Intervallumek p θ,i = θi i! e θ i = 0, 1, 2,... A likelihood függvény (x = (x 1,..., x n )): A loglikelihood függvénye: n i=1 x i L(x, θ) = Π n θ x i i=1 x i! e θ = θ Π n i=1 x i! e nθ l(x, θ) = ln θ n x i nθ ln(π n i=1x i! ) i=1 41/53
42 ML példák 1. - Poisson eloszlás 2. A maximumhelyek megkeresése deriválással: dl(x, θ) dθ = 1 θ n x i n = 0 θ = 1 n i=1 n x i = X i=1 Mivel Intervallumek ezért maximumhely. d 2 l(x, θ) d 2 θ = 1 n θ 2 x i < 0, i=1 42/53
43 ML - folytonos eset Intervallumek Legyen adott P valószínűségi mértékek egy tere és az X 1,..., X n statisztikai minta, amelyek eloszlásfüggvénye abszolút folytonos minden P θ P-re. Jelölje L(θ, x) = Π n i=1f θ (x i ) minta együttes sűrűségfüggvényét.a θ paraméter maximum likelihood én azt a τ n (X 1,..., X n ) statisztikát értjük, amire igaz, hogy L(x, τ n (x)) = max θ R +L(x, θ) teljesül x R n. 43/53
44 ML - normális eloszlás, ismert szórás esetén Sűrűségfüggvénye: Intervallumek f θ (x) = függvénye: Loglikelihood függvénye: 1 e 1 2σ 2 (x θ) 2 0 2πσ0 1 L(x, θ) = ( ) n e 1 2πσ0 2σ l(x, θ) = n ln( ) 1 2πσ0 2σ 2 0 n i=1 (x i θ) 2 n (x i θ) 2 i=1 44/53
45 ML - normális eloszlás, ismert szórás esetén Intervallumek Mivel dl(x, θ) dθ ezért maximumhely. = 1 σ 2 0 n (x i θ) = 0 θ = X i=1 d 2 l(x, θ) d 2 θ = n σ 2 0 < 0, 45/53
46 1. Tegyük fel, hogy az eloszlásuk k darab paramétertől (θ 1,..., θ k ) függ és legyen m j = EX j Intervallumek Tegyük fel, hogy létezik g j (m 1,..., m k ) = θ j Ekkor tekintsük az m j = 1 n n i=1 X j i empirikus momentum statisztikákat. Ekkor a θ j = g j (m 1,..., m k ) a paraméterek momentumos ei. 46/53
47 2. - normális eloszlás e m = g 1 (m 1, m 2 ) = m 1, σ 2 = g 2 (m 1, m 2 ) = m 2 m 2 1 Intervallumek m 1 = 1 n n X i és m 2 = 1 n i=1 σ 2 = g 2 (m 1, m 2 ) = 1 n n i=1 X 2 i ( 1 n n i=1 X 2 i n X i ) 2 = sn 2 i=1 47/53
48 Intervallumek 1. Intervallumek A korábbi szakaszokban az ismeretlen paramétervektort a minta egy függvényével, azaz egyetlen statisztikával próbáltuk meg közeĺıteni. Konkrét realizációnál tehát, a paramétertér egy pontját egy másik ponttal becsüljük. Ezért beszélünk pontről. De tudjuk azt is, hogy folytonos eloszlásoknál, annak valószínűsége, hogy a valószínűségi változó az értékkészletének éppen egy tetszőlegesen kiválasztott pontját fogja felvenni, nulla. Tehát folytonos esetben nulla annak valószínűsége, hogy éppen a paramétert találtuk el a sel. Az intervallumeknél a mintából készített tartományokat definiálunk, amely tartományok nagy valószínűséggel lefedik a kérdéses paraméterpontot 48/53
49 Intervallumek 1. Intervallumek (a) Pont (b) Intervallum 49/53
50 Intervallumek 1. Legyen adott P valószínűségi mértékek egy tere és az X 1,..., X n statisztikai minta és ε rögzített. Azt mondjuk, hogy a θ paraméter éhez megadtunk egy 1 ε szignifikanciaszintű konfidenciaintervallumot,ha t 1 (X 1,..., X n ) és t 2 (X 1,..., X n ) olyan statisztikák, hogy minden P θ P-re fennáll, hogy P(t 1 (X 1,..., X n ) θ t 2 (X 1,..., X n )) 1 ε Intervallumek 50/53
51 Intervallumek - normális eloszlás várható értékre, ismert szórás esetén Intervallumek f θ (x) = 1 e 1 2σ 2 (x θ) 2 0 2πσ0 Tudjuk, hogy u = X σ n θ 0 n N(0, 1), tehát a sűrűségfüggvénye Legyen u ε olyan, hogy φ(t) = 1 2π e x2 2 uε u ε φ(t) 1 ε 51/53
52 Intervallumek - normális eloszlás várható értékre, ismert szórás esetén Átrendezve kapjuk, hogy P(X u εσ 0 n m X + u εσ 0 n ) 1 ε Intervallumek Tehát T 1 = X u εσ 0 n és T 2 = X n + u εσ 0 n. 52/53
53 Folyt. köv. Intervallumek 53/53
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
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
Részletesebbenx, 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.
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
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
RészletesebbenA matematikai statisztika alapfogalmai
A matematikai statisztika alapfogalmai Informatikai Tudományok Doktori Iskola Adatbányászat vs Statisztika Adatbányászat Valamely vizsgált populációra vonatkozólag nagymennyiségő, kontrollálatlan adathalmazból
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
Részletesebbene (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:
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenValószínűségi 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 :
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
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.
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
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
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
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)
RészletesebbenDr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
RészletesebbenHipotéziselmélet - 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
RészletesebbenSTATISZTIKA 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
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
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
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
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:
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
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
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.
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenKiválasztás. 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
RészletesebbenMatematika 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,
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,
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenStatisztika 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
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
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
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
RészletesebbenAbszolút 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
RészletesebbenMatematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
RészletesebbenSTATISZTIKA. 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
RészletesebbenMatematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy
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,
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:
RészletesebbenHipotézis 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
RészletesebbenKutatásmódszertan 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
RészletesebbenHipotézis, 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
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
Részletesebbenegyetemi 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[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)
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
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
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
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
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
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
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
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
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
RészletesebbenTöbbváltozós 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
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenStatisztikai 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
RészletesebbenMatematika 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
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenStatisztika 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
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
RészletesebbenBiostatisztika. 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
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenMatematikai statisztika Tómács Tibor
Matematikai statisztika Tómács Tibor Matematikai statisztika Tómács Tibor Publication date 2011 Szerzői jog 2011 Hallgatói Információs Központ Copyright 2011, Educatio Kht., Hallgatói Információs Központ
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok 2. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
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...
RészletesebbenBevezetés. 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
RészletesebbenSTATISZTIKA I. Mintavétel fogalmai. Mintavételi hiba. Statisztikai adatgyűjtés Nem véletlenen alapuló kiválasztás
Mintavétel fogalmai STATISZTIKA I.. Előadás Mintavétel, mintavételi technikák, adatbázis A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x n, mindig
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
RészletesebbenMatematikai 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
RészletesebbenSTATISZTIKAI 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
RészletesebbenGVMST22GNC 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
RészletesebbenMérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
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
Részletesebbenföldtudományi 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
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenNormális 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
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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,
RészletesebbenA leíró statisztikák
A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
RészletesebbenCHT& NSZT Hoeffding NET mom. stabilis. 2011. november 9.
CHT& NSZT Hoeffding NET mom. stabilis Becslések, határeloszlás tételek Székely Balázs 2011. november 9. CHT& NSZT Hoeffding NET mom. stabilis 1 CHT és NSZT 2 Hoeffding-egyenlőtlenség Alkalmazása: Beengedés
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
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes 2016/2017. tavaszi félév Valószín ségi vektorváltozó Deníció Az X = (X 1,..., X n ) : Ω R n függvény valószín ségi vektorváltozó,
RészletesebbenStatisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat
Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
Részletesebben