A KUTATÁSMÓDSZERTAN MATEMATIKAI ALAPJAI MA. T.P.Lenke

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "A KUTATÁSMÓDSZERTAN MATEMATIKAI ALAPJAI MA. T.P.Lenke"

Átírás

1 A KUTATÁSMÓDSZERTAN MATEMATIKAI ALAPJAI MA T.P.Lenke

2 Szignifikáns különbség Annak bizonyítása, hogy a vizsgálat során megfigyelt különbség egy általunk meghatározott valószínűségi szinten is kimutatható-e. Amennyiben ez a különbség igazolhatóan nem a véletlen műve, lényeges szignifikáns különbségnek nevezzük

3 Egymintás T-próba Az egymintás t-próbát akkor kell alkalmazni, ha a mérési eredmények ugyanazon személyek különböző felméréséből származnak, vagyis önkontrolos felmérések során. Ahol: z t ' z s n - számtani középértékét s - különbségértékek szórása

4 Egymintás T-próba_2 A vizsgálat során a számított t-értéket össze kell hasonlítani a t táblázat értékével: Ha t > t táblázat a különbség nem a véletlen műve, Ha t < t táblázat a különbség a véletlen műve

5 T-próba értelmezése A szoftverek többsége tartalmazza a t értékét, azonban nem a t kritikus értéket adja, hanem a mintából számolt t értéktől jobbra eső, t-eloszlás alatti területet, melyet p- nek nevezünk. p - elnevezései lehetnek: Prob-value, Signif of t, Sig.Level, stb. p - annak valószínűsége, hogy egy másik kiszámolt t legalább olyan messze van 0-tól, mint a most megfigyelt t, ha H0 igaz

6 Döntés a p alapján Döntés a p és az α összehasonlítása alapján: Ha p < α, akkor H 0 -t elvetjük és azt mondjuk, hogy a különbség szignifikáns (1- α)x100%-os szinten Ha p > α, akkor H 0 -t elfogadjuk

7 Döntés a p alapján_2 p < 0,01 nagyon erős a Ho elleni bizonyíték 0,01 p < 0,05 mérsékelt a Ho elleni bizonyíték 0,05 p < 0,10 szuggesztív a Ho elleni bizonyíték 0,10 p kicsi, vagy nem reális a Ho elleni bizonyíték

8 A kétmintás t-próba A kétmintás t-próbát akkor alkalmazzuk, ha arra keresünk választ, hogy a két egymástól függetlenül vett minta származhat-e azonos átlagú populációból. A kétmintás t-próba azonban csak akkor végezhető el, ha a két csoport variancia értékei között nincs nagy különbség, melyre az F- próba vizsgálat ad választ a variancianégyzetek hányadosának elemzésével. Ha F számolt <F táblázat akkor a vizsgálatban résztvevő minták varianciája nem különbözik egymástól lényegesen és a vizsgálatot a kétmintás t-próbával kell folytatni

9 A kétmintás t-próba A kétmintás t-próba számolás menetének számszerűsítése a következő összefüggés alapján történik: m n m n m n y y x x y x t m i n i i 2 ) ( ) ( A szignifikanciavizsgálat szabadságfoka sz f = n+m-2. A kapott eredmény alapján értékelhetjük a vizsgált minták által elért teljesítményt

10 A kétmintás t-próba_2 A kétmintás t-próba azonban csak akkor végezhető el, ha a két csoport variancia értékei között nincs nagy különbség Erre az F-próba vizsgálat ad választ a variancianégyzetek hányadosának elemzésével

11 Az F-próba Az F-próba a variancia négyzetek hányadosa. Képlete: F s s A fenti képlettel kontrollcsoportos vizsgálat során egy n 1 és n 2 elemű minta esetében alkalmazható a hipotézis igazolására, melynek szórásértékei s 1 és s 2 ahol, s 1 > s

12 Az F-próba_2 A számított F értéket a táblázat értékeivel összevetve, a következő lehetőségekkel kell számolnunk: Ha F számolt >F táblázat, akkor a vizsgálatban résztvevő minták varianciája lényegesen különbözik egymástól, a kétmintás t- próba elvégzésére nincs lehetőség. Ebben az esetben más módszert kell keresni, pl. a Welch-próbát. (hasonló mint a kétmintás t- próba, de nem követeli meg a varianciák egyenlőségét) Ha F számolt <F táblázat, akkor a vizsgálatban résztvevő minták varianciája nem különbözik egymástól lényegesen és a vizsgálatot a kétmintás t-próbával kell folytatni

13 Az eredmény általánosíthatósága a populációra A feltételezett összefüggés általánosításához az szükséges, hogy a korrelációs együttható abszolút értéke nagyobb legyen, mint a 95%-os valószínűségi szinthez (adott szabadságfokon) tartozó érték. Abban az estben, ha 99% vagy 99,9%-os értéken végezzük az összevetést, a elemzett kapcsolat még nagyobb valószínűséggel általánosítható.

14 Variaanciaalízis A kétmintás t-próba általánosításának tekinthető. Variancia-analízisnek nevezzük azt a statisztikai eljárást, mely több egydimenziós minta ugyanazon változója közötti különbség szignifikancia szintjének összehasonlítását teszi lehetővé. 14

15 Többváltozós populációk statisztikai elemzései A fejezet a többváltozós populációk statisztikai elemzési módszerével ismerteti meg három alfejezetben az olvasót, az alábbiakban felsoroltak alapján: faktoranalízis diszkiminancia analízis főkomponens analízis klaszteranalízis 15

16 Jellemző esetek Két változó között minél szorosabb az összefüggés, annál inkább megközelíti a korrelációs együttható értéke az 1-t. Ha a minta két változója azonos irányban változik, abban az esetben pozitív, ha ellentétes irányban, akkor negatív a korrelációs összefüggés. Lineáris függvénykapcsolatban lévő (nem sztochasztikus) változók esetében a korrelációs együttható értéke 1.

17 Jellemző esetek_2 Minél lazább az összefüggés két változó között, annál közelebb van a korrelációs együttható értéke a 0-hoz. Független változók esetében a korrelációs együttható értéke = 0 A két változó látszólag egymástól függetlenül változik, ebben az esetben korrelálatlanságról beszélünk A korrelációs együttható az egyszerű, közel lineáris stochasztikus kapcsolat esetében használható statisztika Egy bonyolultabb függvénygörbe mentén elhelyezkedő értékek kapcsolatának leírására nem alkalmas.

18 Különbözőségvizsgálat Jelentős-e a különbség Adatfajták, minták száma Intervallum skála Ordinális skála Nominális skála Egy Egymintás t- próba Kettő Kétmintás t próba F próba Wilcoxon-próba Mann-Whitney próba Kereszttábla elemzés ϰ2 - próba Kereszttábla elemzés ϰ2 - próba több Variaanalízis (ANOVA) Kruskal-Wallispróba Kereszttábla elemzés ϰ2 - próba

19 KHI NÉGYZET PRÓBA Alkalmazásának feltétele, hogy ismert legyen a minta elemeinek gyakorisága. A paraméteres és a nem paraméteres mintákban is a vizsgálat elvégezhető, melynek eloszlása lehet normál és nem normál. A khi-négyzet ( 2) eljárás feltétele a nagy elemszám. A khi-négyzet eljárás alkalmas több adatsor közötti összefüggés elemzésére. Ezt a statisztikát annak ellenőrzésére és bizonyítására alkalmazzuk, hogy a hipotézis megfogalmazása alapján bizonyítsuk, hogy a sor és oszlopváltozók függetlenek. Nem jól használható, ha bármelyik cellában a peremeloszlások alapján várható érték (expected value) kisebb 1-nél, vagy a cellák több mint 20%-ban ez az érték kisebb mint 5.

20 Mann-Whitney, Wilcoxon előjeles rangpróba Mann-Whitney próba a független minták összehasonlítását szolgáló eljárás. A két mintát együtt rangsorolva, a két rangszámösszeg közel azonos értéke a nullhipotézis beigazolását jelenti. Wilcoxon előjeles rangpróba: két, összetartozó minta vizsgálata során alkalmazott előjelpróbája, ha a nullhipotézis a két minta eloszlásának megegyezését feltételezi. az egyszerű eljárást a gyors tájékozódásra használják a vizsgálat során. Az eljárás a két minta negatív és pozitív különbségeinek eloszlását vizsgálja. A nullhipotézis igazolása esetén a különbség eloszlás szimetrikus.

21 Kruskal-Wallis próba Kruskal-Wallis próba az eljárás 3, vagy több mintaelemzésére alkalmas módszer. A vizsgálat feltételei: a mintavétel véletlen volta, a minták függetlensége és legalább ordinális változók megléte. Rangtranszformációs eljárásnak is nevezik, mivel a minták egyesítését követően a rangszámok meghatározását kell elvégezni, majd azokat az eredeti csoportok alapján csoportosítani. A transzformált értékek átlag rangjából vonható le a hipotézisre vonatkozó következtetés.

22 SPSS Statistical Package for Social Scienses Statisztikai programcsomag a szociológiai tudományok számára 1968-ban Norman H. Nie, C.Handlai Hull és Dale H. Bent alkották meg az SPSS alapjait, 70-es években továbbfejlesztették a Chicagói Egyetemen ben megjelent a Windows alatt futó változata, ez averzió vált elterjedtebbé a felhasználók körében vállalati alkalmazások elterjedése 2004 Predectiv elemzések ideje 2007 Java alkalmazások 2009 SPSS PASW

23 Az adatbázis Az oszlopok, más szóval mezők vagy változók, a kérdőív kérdéseinek, a sorok, vagy rekordok illetve elemek, a válaszadóknak felelnek meg.

24 Az adatbázis definiálása

25 Adat Az oszlopok, más szóval mezők vagy változók, a kérdőív kérdéseinek, a sorok, vagy rekordok illetve elemek, a válaszadóknak felelnek meg.

26 Az adat jellemzői_1 VARIABLE NAME TYPE LABELS MISSING VALUES COLUMN FORMAT a kijelölt oszlopba feltüntetett változók megnevezését határozzuk meg. a változó típusát jelöljük meg a változó címkéjét definiáljuk az adathiány kódja, ahol a hiányzó adatokat kódolhatjuk a cella formázása

27 Adat típusa

28 A File menű

29 Define Labels a változók definiálása A változók neveit Value - cimkékkel látjuk el Value label a változók magyarázatai

30 Define Missing Values- az adathiány ellenőrzése Ha a feldolgozás során nem kell számolni adathiánnyal, akkor a legfelső, No missing values pontot jelöljük meg. Abban az esetben, ha hibás értékekkel is számolni kell, az alábbi 3 beállítási lehetőségünk van:

31 Define Missing Values- Hiba

32 Hibás értékek adathiány ellenőrzése adattisztítás 32

33 Hibás értékek adathiány ellenőrzése_2 File Display Data Info

34 Keretrendszer kialakítása 34

35 Oszlop formázás A lehulló ablak az oszlop szélességének és a beleírt szöveg igazítására ad lehetőséget.

36 SPSS adatfelvitel

37 Sor és oszlop beszúrás

38 Az adatbázis az oszlopok, más szóval mezők vagy változók, a kérdőív kérdéseinek, a sorok, vagy rekordok illetve elemek, a válaszadóknak felelnek meg.

39 Adatfelvitel 39

40 A kérdőív kitöltöttsége Az online teszt kitöltöttség kimutatása az alábbiak szerint történik (Analyze/Descriptiv Statistics/Frequenties

41 Az adatok előkészítése - folyamat 1. Változók Mérési szintek 2. adatrögzítés kódolás 3. adattisztítás

42 Az adatok előkészítése 1. Változók Mérési szintek A mérhetővé tétel a jelenségek összehasonlításának, rangsorolásának igénye miatt fontos! Számokkal kifejezett jelenségeket mérünk, ebből következtetünk A vizsgált dolgok különböző tartalmúak különböző szabályok szerint adunk hozzá számokat máshogy mérjük - 4 féle hozzárendelési szabály, mérési szint: 1. Nominális 2. Ordinális 3. Intervallum 4. arányskála

43 Mérési szintek

44 Adatrögzítés Papír alapú adatok kódolása és rögzítése számítógépen Elektronikus adatok esetében egyszerűbb adatkonvertálás Ilyen formában nem mérhető! kor nem Isk.végz. jövedelem 1. Mintaelem (kérdőív) 2. Mintaelem (kérdőív) 24 Nő 8 ált ffi Gimn kódolás szükséges a mérési szinteknek megfelelően!

45 kategória Nem, foglalkozás, településnév, vallás, nemzetiség Kategória, sorrend Településtípus Kategória, sorrend, különbsé g hőmérséklet Kategória, sorrend, különbség, arány súly, magasság

46 Kódolás Kódutasítás és kódtáblázat Kérdőív: Kérdőív: Mi az Ön neme? Férfi nő Van-e az Önök háztartásában: Mikrosütő Mosógép Számítógép Kódutasítás: Mi az Ön neme? {NEM} 1. Férfi 2. nő nincs válasz Kódutasítás: Van-e az Önök háztartásában: {HMIK} Mikrosütő 0-nincs válasz {HMOS} Mosógép 1-van {HSZGEP} Számítógép 2-nincs

47 kódolás Nyitott kérdések kódolása szöveges válasz is beírható (Excel, SPSS szöveges változói) kategóriarendszer felállítása (- ne legyen túl sok kategória - minden válasz beleférjen valamely kategóriába)

48 Adatfájl előkészítése Az összes változó definiálása (címkézés) Az attribútumok megadása (kódutasításnak megfelelően) Változó neve legyen egyértelmű (más számára is használható)

49 Adattábla részlete az SPSS adatbázisában

50 Adattisztítás 1. Kérdőívek ellenőrzése kérdezőbiztos: át kell néznie kitöltés és leadás előtt elég szúrópróbaszerűen önkitöltős: ha lehet, mindet ellenőrizzük lehetséges hibák: a. Hiányzó válaszok Oka: - szűrő kérdés miatt nincs adat (ez nem hiba!) - kérdezőbiztos nem tette fel a kérdést vagy nem rögzítette a választ Esetenként pótolható az adathiány b. Logikai ellentmondások c. Nyitott kérdéseknél: Olvashatóság kérdése d. Hiányzó kérdőívlapok Leszakadt, szétesett - pótlás vagy adathiány

51 Adattisztítás 2. Digitális adatfile tisztítása Az adatrögzítő hibáinak kiküszöbölése elütések kiszűrése: egy gyakoriság (frequencies) lekérdezése után kijövő ellentmondások Pl.: neme: 22 (valószínűleg elütés: 2-helyett 22) de: es kódnál lehet elcsúszás az adatfile-ban! korrekt: hiányzó értéknek jelölni (missing), így nem torzítja a statisztikát

52 Adattisztítás gyakoriság lekérdezésével anya iskol ai végzettsége Valid kev esebb, mint 8 általános 8 általános szakmunkásképző szakk özépisk ola, gimnázium technikum f őiskola, egy etem Total Frequency Percent Valid Percent 1 2,1 2,1 2,1 5 10,4 10,4 12, ,9 22,9 35, ,2 29,2 64,6 5 10,4 10,4 75, , 0 25, 0 100, ,0 100,0 Cumulative Percent

53 Kitöltöttség A kérdőívet 381-en töltötték ki, amelyből 20 kitöltése félbeszakadt. Szükség van az adatok tisztítására, adatlapok kizárására. A teljes állomány az értékeléskor 361 fő adatait tartalmazza, melynek alapján a statisztikai elemzés megvalósult.

54 ANOVA A varianciaanalízis több, egyező szórású, normál eloszlású csoport átlagának összevetésére alkalmas statisztikai módszer, Elnevezése: ANalysis Of VAriance = ANOVA-ként ismerjük. A populáció középértékeit a varianciák segítségével viszonyítjuk egymáshoz, melynek során: ingadozás okára keressük a választ. választ keresünk, hogy a szórásbeli eltérések mögött a véletlen vagy egy másik magyarázó tényező hatása bújik-e meg. Ilyen tényezőnek tekinthető adott populáción belüli csoportok átlagai közti eltérést. A varianciaszámítása során a teljes variancia számlálója, azaz a teljes eltérésnégyzetösszeg független elemek összegeként állítható elő, a nevező, azaz a szabadsági fok az adott komponensek szabadsági fokainak összegeként képezhető. Kérdések, melyre választ várunk Van-e differencia / változás a tapasztalt eredmények között? Eltérésre, változásra keres magyarázatot. Van-e hatása a kísérleti manipulációnak- a kontrollhoz viszonyítva a célváltozóra? Egzaktabbul az átlagra gyakorolt hatást elemzi.

55 ANOVA (Analisis Of Variance) A mérést ANOVA elemzéssel végezhetjük, melynek során a független változó az életkor és a függő változó az informatikai eszközök alkalmazása. A variaanalízis rámutatott a varianciák megegyezésének kérdésére. Analyze/Compare Means/One- Way ANOVA menüre kattintunk

56 Behúzzuk a függő vátozót (Dependent List) és a Factort

57 A Post Hocra kattintva a lehúlló ablakba kipipáljuk a SCHEFFE-t. Majd a Continue nyomjuk meg.

58 Az Options radiógomra kattintva a lehulló ablakba kipipáljuk a Descriptive és a Homogenity of variance test rádiógombokat.

59 Eredmény A kapott válaszok (853 fő) alapján z eredmények kiértékelése: Az informatikai eszközöket leggyakrabban a éve korosztály alkalmazza.

60 Az alábbi táblázat alapján megállapítható, hogy a szóráshomogenitás feltétele teljesül, melynek bizonyítéka, hogy a Levene statisztika nem szignifikáns (0,228). A Levene teszt nullhipotézise azt mondja ki, hogy a szórások nem egyenlők, melynek következménye hogy a nullhipotézist elvetjük és a szóráshomogenitás teljesül. A továbbiakban tekintsük át, hogy a csoportok közötti és a csoporton belüli négyzetösszegek vizsgálatával mit kapunk.

61 ANOVA táblázat A táblázat alapján megállapítható, hogy a csoportok közötti (Between Groups) és a csoporton belüli (Within Groups) eltérésnégyzetek arány F=1,088/1,163=0,935). Az F próbához tartozó szignifikanciaszint 0,443, vagyis nagyobb, mint 0,05. A kategóriaátlagok nem különböznek egymástól szignifikánsan, az informatikai eszközök használata közel azonos mértékben hat a különböző korosztályú hallgatókra. Az alábbi görbe az átlagok vizuális képét szemlélteti. A legerősebb válaszreakció a és a éves korosztályra jellemző.

62 A kérdésben a minta hallgatói értékelte az első oszlopban található szempontokat 0 és 5 közötti pontszámmal. Összesen 9 IKT támogatást értékeltek.

63 Egyszerűbb elemzések 2.1. gyakoriság ha sok a válaszlehetőség (pl. életkor), célszerű a kategóriákat képezni. (ne túl sokat!) nézhetünk egyszerű gyakoriságot (frequency; előfordulási elemszám), százalékot (percent), a hiányzó értékektől letisztított százalékot (valid percent)

64 Képezzünk kategóriákat!

65 Egyszerűbb elemzések 2.2. mérőszámok a középérték mérőszámai numerikus változóknál lehet számolni a. átlag (a változó összes értéke/adatok száma) pl. 1 főre jutó jövedelem átlaga b. medián (az adatokat növekvő/csökkenő sorrendbe állítjuk, a minta közepén megjelenő érték; a minta adatainak fele felette, fele alatta lesz) a szélső értékek befolyásolhatják az átlagot! medián jövedelem: fölötte u.annyian helyezkednek el, mint alatta c. módusz (a leggyakrabban előforduló érték) az a kategória, amelybe a vizsgált populációból a legtöbben tartoznak Számolásuk SPSS-ben: analyze/frequencies

66 Hányan laknak egy háztartásban? Válaszok 1-7-ig terjedtek Mennyi lehet az átlagos létszám? Négy? Az egyes értékek gyakorisága nem azonos! egyedül 112 Öten 127 Ketten 293 Hatan 28 Hárman 370 Heten 7 négyen 501 Össz Mi lehet az átlag? Számítás: (1X112+2X293+3X370+4X501+5X127+6X28+7X7)/1438=3,24 Mi lehet a medián (középérték)? A minta közepét megjelenítő érték a mintában szereplőadatok fele (az első 719 válaszadó) a medián alatt, fele (719) a medián felett található. E változónál ez az érték: 3 Mi lehet a módusz (leggyakrabban előforduló érték)? A válaszadók közül legtöbben 4-en laknak egy háztartásban.

67 Átlag, medián és módusz értékei egy másik konkrét felmérésben Statistics hav i gazdálkodási összeg N Mean Median Mode Valid Missing , ,

68 Egyszerűbb elemzések szórás ne maradjunk meg a középérték elemzésénél, nézzük meg a szóródást is! Pl.: jövedelmi viszonyok megítélése: - a sokaság nagy része az átlag közelében van, - vagy sokan messze az átlag alatt és/vagy felett helyezkednek el? Mérésére leggyakrabban használt statisztika a standard deviáció (SPSSben: Std. Deviation) Pl.:megkérdezettek jövedelmének átlaga: Ft Lehetne ez úgy is, hogy mindenki ilyen jövedelmű, de úgy is, ha egyik fele 1 Ft-ot mond, a másik fele Ft-ot. Így a két esetben más a szórás! 0 és 97692,37 a két esetben az érték Minél inkább közelít a nullához a szórás, annál jellemzőbbek az átlag körüli értékek.

69 Egyszerűbb elemzések 2.3. változók közötti kapcsolat Független (magyarázó) tényező: az a változó, amely okként jelenik meg Függő változó: az okozatként szereplő változó Pl: életkor és jövedelem a közszférában: életkor a független, jövedelem a függő változó Kapcsolat lehet: - determinisztikus - sztochasztikus (valószínűségi) - változók függetlensége

70 Egyszerűbb elemzések kereszttábla-elemzés (crosstabulation) két változó összevetése egy táblázatban abszolút számok mellett: százalék sorok és oszlopok szerint is Kizárható-e, hogy a talált összefüggés nem csak a mi mintánkra jellemző? statisztikai hipotézisvizsgálat (khi-négyzet próba- Pearson) szignifikanciaszint meghatározása: mekkora a valószínűsége annak, hogy az összefüggést mintavételi hiba okozta? (határérték szokásjog alapján 0,05, ez alatt az eredmény szignifikáns) Háromdimenziós kereszttáblák esetén legyen elegendő elemszám!

71 Kereszttábla példa Nem * iskolaválasztás előtti tapasztalat C rosstabulation Nem Total f érf i nő Count % within Nem % within iskolav álasztás előtti tapasztalat % of Total Count % within Nem % within iskolav álasztás előtti tapasztalat % of Total Count % within Nem % within iskolav álasztás előtti tapasztalat % of Total iskolav álasztás előt ti tapasztalat nem v olt v olt Total ,0%,0% 100,0% 23, 3%,0% 20, 8% 20, 8%,0% 20, 8% , 8% 13, 2% 100,0% 76, 7% 100,0% 79, 2% 68,8% 10,4% 79,2% , 6% 10, 4% 100,0% 100,0% 100,0% 100,0% 89, 6% 10, 4% 100,0% Nincs elegendő elemszám, következtetés levonása elhamarkodott lenne!

72 Összefoglalva:

73 A puha adatok elemzése Adatgyűjtés szakaszában célszerű hozzálátni az adatok tisztításához, előkészítéséhez, elemzéséhez változtatás lehetősége! 3.1. az interjú leírása és átírása ha lehet, a kutató maga írja le! 3 formája: 1. vázlat az interjú szövegéből 2. interjú szó szerinti szövege 3. további információk közlése (idő, megjegyzések, gesztusok, utalások más interjúkra )

74 Vázlat az interjú szövegéből

75 Részletes leírás 2. Interjú szó szerint

76 A puha adatok elemzése 3.2. adatok rendezése Összegyűlt kutatási nyersanyagok rendszerezése adatok formátuma Legyen egységes! (kazetta, feljegyzések legyen gépen rögzítve, filenév egyértelmű ) adatok csoportosítása minden adatot fel kell címkézni! (interjú: kódszám vagy monogram; helyszín, más szempont szerint csoportosítani) adattisztítás a későbbi elemezhetőség állapotába juttassuk az adatokat! Más is tudja esetleg elemezni biztonsági intézkedések Mentés készítése, más helyen tárolás!!!

77 A puha adatok elemzése 3.3. kódolás 1. a témára vonatkozó utalások kiszűrése 2. adott szövegrészek kigyűjtése 3. azok csoportosítása 4. táblázat elkészítése a csoportok és válaszaik szerint Interjúk alapján tipológia készíthető!

78 A puha adatok elemzése 3.4. esettanulmány Célravezetőbb, ha több interjút készítünk Egymás mellé helyezve ezek szöveghálót alkotnak A háló elemei között kapcsolatok állnak fenn szövegrészek megfigyelések információháló Jelenség elemzése Esettanulmány példája: Fellegi Borbála Ligeti György (2003): Hátrányos helyzetűek a közoktatásban; Kutatási beszámoló Kurt Lewin Alapítvány (elérhető: )

79

80 Frequency Frequency Az eredmények ábrázolása Histogram REL Egyéni eredmény Missing REL Mean = 12,9 Std. Dev. = 5,515 N = REL Mean = 12,9 Std. Dev. = 5,515 N = 20 Cél: az eredmények áttekinthetőbbé és szemléletesebbé tétele

81 Gyakorisági poligon (görbe) A gyakorisági sor osztályközepek alapján szerkesztett vonaldiagramja

82 Hisztogram_1 A hisztogram a rendezett minta intervallumaiba eső elemek számát ábrázolja. a hasábok szélessége a változó tartománya A hasábok magassága gyakoriság Az oszlopok száma, ha: Túl sok túlrészletezett Túl kevés elnagyolt

83 Hisztogram_2 Szimmetrikus, normál Szimmetrikus, csúcsos

84 Hisztogram_3 bimodális

85 Hisztogram_4 Balra ferdülő hisztogram

86 Hisztogram_5 Jobbra ferdülő hisztogram

87 Boxplot grafikon A boxplot: mennyiségi ismérv szerinti eloszlást a kvartiliseken keresztül érzékelteti. A x min és x max értéket összekötő szakaszra épül az alsó és a felső kvartilisek által közbezárt doboz. A középső vonal a medián. A boxplot rámutat: mennyire sűrűsödnek a megfigyelések a középső 50%-os intervellumban Mennyire ferde az eloszlás

88 A középértékek elhelyezkedése a különböző gyakorisági eloszlásokban Az eloszlás szimmetriájának mérésére szolgál az un. ferdeség vagy eltoltság skewness, értékei: egy mérőszám, mely arra ad választ, hogy a szóródás a centrumtól jobbra vagy balra lapul-e, ill. sűrűségfüggvényt jelez. A ferdeség - Skewness o Ha (-), balra ferdül a kiugrás o (+), jobbra o (0), szimetrikus Lapultság - Kurtois 0 o csúcsos, leptokurtic o lapos, platykurtic 0

89 Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_1 Szimmetrikus eloszlás Skewness = 0

90 Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_2 Szimmetrikus kétpúpú eloszlás Bimodális eloszlás (két módusza van)

91 Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_3 Balra ferde (negatív irányban eltolt eloszlás) Skewness = (-)

92 Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_4 Jobbra ferde pozitív irányban eltolt eloszlás Skewness = (+)

93 Különböző csúcsossági értéket - kurtois - mutató normális eloszlások Mezokurtikus eloszlás Skewness = 0

94 Csúcsossági értékek A csúcsossági értékek arra mutatnak, hogy az eloszlás közepe mennyire emelkedik ki. Platikurtikus lapos : 0 Leptokurtikus eloszlás csúcsos: > 0

95 Különböző szórású normális eloszlások (szórások átlaga = 0) Csúcsosság: az értékek milyen mértékben tömörülnek az átlag körül

96 Grafikai ábrázolás 96 kördiagram

97 Hisztogram

98 Halmozott oszlopdiagram

99 Tő és levél (Steam and leaf plot)

100 Boksz-Plot ábra

101 Pókháló, sugár

102 Klaszteranalízis A klaszteranalízis a megfigyelések (vagy a változók) osztályozásának dimenziócsökkentő módszere. A diszkriminancia analízissel szemben itt nincsenek előre megadott osztályok, a feladatunk éppen ezeknek a létrehozása. A klasztertendencia vizsgálat célja annak eldöntése, hogy az adatok mutatnak-e hajlamosságot a természetes csoportosulásra. Ha az adataink hasonlóságot mérő mátrix elemei ordinális skálán mért értékek, akkor a véletlen gráfelmélet nyújt matematikai eszközt a csoportosulási tendenciák megállapítására. A klaszterezés az objektumok osztályba sorolását jelenti, vagyis az objektumok halmazának (X) részhalmazokra való felbontását.

103 Irodalom 1. Varga Lajos (2002): Kvantitatív módszerek a pedagógiai kutatásban. BMF BGK kari jegyzet. 2. Varga Lajos (szerk., 2006): Kutatás-módszertan I. Bevezetés a pedagógiai induktív kutatás módszereibe és útmutató a szakdolgozat elkészítéséhez. BME, Bp. 3. Schmercz István - Varga Lajos (2008): Kutatás-módszertan II. Bevezetés a pedagógiai deduktív és szociálpszichológiai kutatás módszereibe. BME, Bp. 4. Falus Iván - Ollé János (2000): Statisztikai módszerek pedagógusok számára. Okker K., Bp. 5. Falus Iván - Ollé János (2008): Az empirikus kutatások gyakorlata. Nemzeti Tankönyvkiadó, Budapest

104 Irodalom Ágoston Nagy Orosz: Méréses módszerek a pedagógiában. Tankönyvkiadó. Bp., Antal Péter: Térbeli gondolkodás és elektronikus tananyagfejlesztés. EKF 3. Antal Péter, T. Parázsó Lenke: Az on-line tananyagok szerepe a készségek, képességek elsajátításában EKF 4. Bálya Dávid: Az informatika kihívása a teszt-technológiában, BME TIO Báthory Zoltán: Tanulók, iskolák különbségek. Budapest, Tankönyvkiadó, 1992, pp Báthory, Zoltán: Feladatlapok szerkesztése, adatok értékelése. OOK Budapest Báthory, Zoltán:Tanítás és tanulás. Tk.Bp Csapó, Benő (szerk): Az iskolai tudás. Osiris Kiadó Bp Elek Elemérné dr és T. Parázsó Lenke: Az tanári mesterség információ- és kommunikációtechnikai alapelemei; online tankönyv 11. fejezet Falus Iván Kimmel Magdolna: A portfólió. Gondolat Kiadói Kör, ELTE BTK Neveléstudományi Intézet, Budapest, Komenczi Bertalan: Orbis sensualium pictus. In: Iskolakultúra, sz. Melléklet p.m3-m15. p.10.

105 Irodalom 13. Lovett, M. C (1992) Learning by problem solving versus by examples: The benefits of generating and receiving information. In.: Proceeding of the Fourteenth Annual Conference of the Cognitive Science Society Hillsdale. New Jersey: Erlbaum, pp M. Nádasi Mária: Projektoktatás. Gondolat Kiadói Kör, Budapest, (Oktatás-módszertani kiskönyvtár.) Nagy Tamás: Mérésmetodikai alapok. On-line: Psychological Foundations of Design for CBI. In: 4b. html Pedagógiai Lexikon Dr Setényi j János : A minőség kora.. Bevezetés az iskolai minőségbiztositásba. Raabe, Bp 1999 ISBN Vári Péter: Médiumkiválasztás. Veszprém, OOK, 1983, pp Falus Iván (szerk., 2002): Bevezetés a pedagógiai kutatás módszereibe. Műszaki K., Bp. 19. Fercsik János (1982): Pedagometria. OOK, Veszprém 20. Horváth György (2004): A kérdőíves módszer. Műszaki K. Bp. 21. Babbie, Earl (2003; 6. átd. kiad.): A társadalomtudományi kutatás gyakorlata. Balassi K., Bp Lengyelné Molnár Tünde, Tóvári Judit: Kutatásmódszertan. Eger: Líceum kiadó, 2001.

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

SPSS ALAPISMERETEK. T. Parázsó Lenke

SPSS ALAPISMERETEK. T. Parázsó Lenke SPSS ALAPISMERETEK T. Parázsó Lenke 2 Statistical Package for Social Scienses Statisztikai programcsomag a szociológiai tudományok számára 1968-ban Norman H. Nie, C.Handlai Hull és Dale H. Bent alkották

Részletesebben

Statisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák

Statisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák Statisztikai hipotézisvizsgálatok Paraméteres statisztikai próbák 1. Magyarországon a lakosság élelmiszerre fordított kiadásainak 2000-ben átlagosan 140 ezer Ft/fő volt. Egy kérdőíves felmérés során Veszprém

Részletesebben

Adatfeldolgozás és elemzés

Adatfeldolgozás és elemzés Adatfeldolgozás és elemzés Bevezetés a kutatásmódszertanba WJLF SZM szak Pecze Mariann Amiről ma szó lesz 1. Az adatok előkészítése 2. Egyszerűbb elemzések 3. puha adatok elemzése 2 1. Az adatok előkészítése

Részletesebben

Biostatisztika Bevezetés. Boda Krisztina előadása alapján ma Bari Ferenc SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

Biostatisztika Bevezetés. Boda Krisztina előadása alapján ma Bari Ferenc SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Biostatisztika Bevezetés Boda Krisztina előadása alapján ma Bari Ferenc SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Az orvosi, biológiai kutatások egyik jellemzője, hogy a vizsgálatok eredményeként

Részletesebben

Esetelemzés az SPSS használatával

Esetelemzés az SPSS használatával Esetelemzés az SPSS használatával A gepj.sav fileban négy különböző típusú, összesen 80 db gépkocsi üzemanyag fogyasztási adatai találhatók. Vizsgálja meg, hogy befolyásolja-e az üzemanyag fogyasztás mértékét

Részletesebben

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

GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június

GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-8/2/A/KMR-29-41pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén, az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi

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

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

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

MARKETINGKUTATÁS II. Oktatási segédanyag. Budapest, 2004. február

MARKETINGKUTATÁS II. Oktatási segédanyag. Budapest, 2004. február MARKETINGKUTATÁS II. Oktatási segédanyag Budapest, 2004. február Tartalomjegyzék ELŐSZÓ... 2 1 AZ SPSS-RŐL ÁLTALÁBAN... 3 1.1 DATA EDITOR... 3 1.2 VIEWER... 4 1.3 CHART EDITOR... 4 2 ADATBEVITEL... 5 2.1

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

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

Esetelemzések az SPSS használatával

Esetelemzések az SPSS használatával Esetelemzések az SPSS használatával 1. Tekintsük az spearman.sav állományt, amely egy harminc tehenet számláló állomány etetés- és fejéskori nyugtalansági sorrendjét tartalmazza. Vizsgáljuk meg, hogy van-e

Részletesebben

Adatok statisztikai feldolgozása

Adatok statisztikai feldolgozása Adatok statisztikai feldolgozása Kaszaki József Ph.D Szegedi Tudományegyetem Sebészeti Műtéttani Intézet Szeged A mérési adatok kiértékelése, statisztikai analízis A mért adatok konvertálása adatbázis

Részletesebben

Matematikai statisztikai elemzések 2.

Matematikai statisztikai elemzések 2. Matematikai statisztikai elemzések 2. Helyzetmutatók, átlagok, kvantilisek. A szórás és szóródás Prof. Dr. Závoti, József Matematikai statisztikai elemzések 2.: Helyzetmutatók, átlagok, Prof. Dr. Závoti,

Részletesebben

Statisztikai szoftverek esszé

Statisztikai szoftverek esszé Statisztikai szoftverek esszé Dávid Nikolett Szeged 2011 1 1. Helyzetfelmérés Adott egy kölcsön.txt nevű adatfájl, amely információkkal rendelkezik az ügyfelek életkoráról, családi állapotáról, munkaviszonyáról,

Részletesebben

Matematika III. 8. A szórás és a szóródás egyéb mérőszámai Prof. Dr. Závoti, József

Matematika III. 8. A szórás és a szóródás egyéb mérőszámai Prof. Dr. Závoti, József Matematika III. 8. A szórás és a szóródás egyéb Prof. Dr. Závoti, József Matematika III. 8. : A szórás és a szóródás egyéb Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027

Részletesebben

A probléma alapú tanulás, mint új gyakorlati készségfejlesztő módszer, az egészségügyi felsőoktatásban

A probléma alapú tanulás, mint új gyakorlati készségfejlesztő módszer, az egészségügyi felsőoktatásban PÉCSI TUDOMÁNYEGYETEM EGÉSZSÉGTUDOMÁNYI DOKTORI ISKOLA Doktori Iskolavezető: Prof. Dr. Bódis József PhD, DSc 5. Program (P-5) Egészségtudomány határterületei Programvezető: Prof. Dr. Kovács L. Gábor PhD,

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

11. Matematikai statisztika

11. Matematikai statisztika 11. Matematikai statisztika 11.1. Alapfogalmak A statisztikai minta valamely valószínűségi változóra vonatkozó véges számú független kisérlet eredménye. Ez véges sok, azonos eloszlású valószínűségi változó

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

A statisztika alapjai - Bevezetés az SPSS-be -

A statisztika alapjai - Bevezetés az SPSS-be - A statisztika alapjai - Bevezetés az SPSS-be - Petrovics Petra PhD Hallgató SPSS (Statistical Package for the Social Sciences ) 2 file: XY.sav - Data View XY.spv - Output Ez lehet hosszabb név is Rövid

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

ADATBÁZISKEZELÉS ADATBÁZIS

ADATBÁZISKEZELÉS ADATBÁZIS ADATBÁZISKEZELÉS 1 ADATBÁZIS Az adatbázis adott (meghatározott) témakörre vagy célra vonatkozó adatok gyűjteménye. - Pl. A megrendelések nyomon követése kereskedelemben. Könyvek nyilvántartása egy könyvtárban.

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

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

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

Tantárgyi útmutató. 1. A tantárgy helye a szaki hálóban. 2. A tantárgyi program általános célja. Statisztika 1.

Tantárgyi útmutató. 1. A tantárgy helye a szaki hálóban. 2. A tantárgyi program általános célja. Statisztika 1. Tantárgyi útmutató 1. A tantárgy helye a szaki hálóban Gazdálkodási és menedzsment szakirány áttekintő tanterv Nagyításhoz kattintson a képre! Turizmus - vendéglátás szakirány áttekintő tanterv Nagyításhoz

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

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

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

Definíció. Definíció. 2. El adás (folytatása) Az adatok leírása, megismerése és összehasonlítása. 2-5. fejezet. A variabilitás mér számai 3.

Definíció. Definíció. 2. El adás (folytatása) Az adatok leírása, megismerése és összehasonlítása. 2-5. fejezet. A variabilitás mér számai 3. . El adás (folytatása) Az adatok leírása, megismerése és összehasonlítása -1 Áttekintés - Gyakoriság eloszlások -3 Az adatok vizualizációja -4 A centrum mérıszámai -5 A szórás mérıszámai -6 A relatív elhelyezkedés

Részletesebben

A Hat Szigma bevezetésének tapasztalatai a Siemens Erőműtechnika Kft-nél

A Hat Szigma bevezetésének tapasztalatai a Siemens Erőműtechnika Kft-nél A Hat Szigma bevezetésének tapasztalatai a Siemens Erőműtechnika Kft-nél Sebestyén László 2004. november 16. Rekord nyereséget jelentett a Siemens 2004. november 11. csütörtök, 16:10 Szeptemberben végződött

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

Az irányelv-alapú elemzés, valamint az ön- és társértékelés módszereinek alkalmazása az informatikus képzésben

Az irányelv-alapú elemzés, valamint az ön- és társértékelés módszereinek alkalmazása az informatikus képzésben Az irányelv-alapú elemzés, valamint az ön- és társértékelés módszereinek alkalmazása az informatikus képzésben Abonyi-Tóth Andor abonyita@inf.elte.hu ELTE IK Absztrakt. A magas hallgatói létszámmal induló

Részletesebben

kopint-tarki.hu Az Agrárrendtartási és a Kereskedelmi Törvény egyes beszállító-védelmi szabályai érvényesülésének tapasztalata

kopint-tarki.hu Az Agrárrendtartási és a Kereskedelmi Törvény egyes beszállító-védelmi szabályai érvényesülésének tapasztalata kopint-tarki.hu Az Agrárrendtartási és a Kereskedelmi Törvény egyes beszállító-védelmi szabályai érvényesülésének tapasztalata Készült a Gazdasági Versenyhivatal VKK megbízásából A tanulmányt készítették

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

HomeManager - leírás. advix software solutions. http://www.advix.hu

HomeManager - leírás. advix software solutions. http://www.advix.hu by advix software solutions http://www.advix.hu Tartalomjegyzék Tartalomjegyzék... 2 Bevezető... 3 Áttekintés... 3 Felhasználási feltételek... 3 Első lépések... 4 Indítás... 4 Főképernyő... 4 Értesítés

Részletesebben

On-line értékelési módszerek II. Lengyelné Molnár Tünde

On-line értékelési módszerek II. Lengyelné Molnár Tünde On-line értékelési módszerek II. Lengyelné Molnár Tünde MÉDIAINFORMATIKAI KIADVÁNYOK On-line értékelési módszerek II. Lengyelné Molnár Tünde Eger, 2013 Korszerű információtechnológiai szakok magyarországi

Részletesebben

FEJLESZTŐPROGRAMOK HATÁSVIZSGÁLATÁNAK MATEMATIKAI STATISZTIKAI ALAPFOGALMAI

FEJLESZTŐPROGRAMOK HATÁSVIZSGÁLATÁNAK MATEMATIKAI STATISZTIKAI ALAPFOGALMAI FEJLESZTŐPROGRAMOK HATÁSVIZSGÁLATÁNAK MATEMATIKAI STATISZTIKAI ALAPFOGALMAI Szerzők: Máth János Debreceni Egyetem Mező Ferenc Debreceni Egyetem Abari Kálmán Debreceni Egyetem Mező Katalin Debreceni Egyetem

Részletesebben

A gazdasági felsőfokú szakképzésről kikerülő hallgatókkal szembeni munkaerő-piaci elvárások

A gazdasági felsőfokú szakképzésről kikerülő hallgatókkal szembeni munkaerő-piaci elvárások A gazdasági felsőfokú szakképzésről kikerülő hallgatókkal szembeni munkaerő-piaci elvárások KÁRPÁTINÉ DARÓCZI Judit Általános Vállalkozási Főiskola, Budapest karpati.d.judit@gmail.hu A felsőfokú szakképzés

Részletesebben

Bevezetés az SPSS program használatába

Bevezetés 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

Részletesebben

Útmutató szakdolgozatok készítéséhez Ez az útmutató a Szent István Egyetem Alkalmazott Bölcsészeti és Pedagógiai Karán készülő szakdolgozatokkal

Útmutató szakdolgozatok készítéséhez Ez az útmutató a Szent István Egyetem Alkalmazott Bölcsészeti és Pedagógiai Karán készülő szakdolgozatokkal Útmutató szakdolgozatok készítéséhez Ez az útmutató a Szent István Egyetem Alkalmazott Bölcsészeti és Pedagógiai Karán készülő szakdolgozatokkal kapcsolatos formai követelményeket tartalmazza. A dolgozat

Részletesebben

INTELLIGENS ADATELEMZÉS

INTELLIGENS ADATELEMZÉS Írta: FOGARASSYNÉ VATHY ÁGNES STARKNÉ WERNER ÁGNES INTELLIGENS ADATELEMZÉS Egyetemi tananyag 2011 COPYRIGHT: 2011 2016, Dr. Fogarassyné Dr. Vathy Ágnes, Pannon Egyetem Műszaki Informatikai Kar Matematika

Részletesebben

Statisztikai módszerek alkalmazása az orvostudományban. Szentesi Péter

Statisztikai módszerek alkalmazása az orvostudományban. Szentesi Péter Statisztikai módszerek alkalmazása az orvostudományban Szentesi Péter Az orvosi munkahipotézis ellenőrzése statisztikai módszerekkel munkahipotézis mérlegelés differenciáldiagnosztika mi lehet ez a más

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

Kutatói tájékoztató Útmutató a KSH kutatószobai környezetében folyó kutatómunkához

Kutatói tájékoztató Útmutató a KSH kutatószobai környezetében folyó kutatómunkához Kutatói tájékoztató Útmutató a KSH kutatószobai környezetében folyó kutatómunkához Központi Statisztikai Hivatal 2015. december Kutatói tájékoztató Tartalomjegyzék Kutatói tájékoztató célja... 3 1. A kutatás

Részletesebben

Minőség-képességi index (Process capability)

Minőség-képességi index (Process capability) Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286

Részletesebben

EGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ

EGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ EGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ MODELLEZÉS Brodszky Valentin, Jelics-Popa Nóra, Péntek Márta BCE Közszolgálati Tanszék A tananyag a TÁMOP-4.1.2/A/2-10/1-2010-0003 "Képzés- és tartalomfejlesztés a Budapesti

Részletesebben

Debreceni Egyetem Informatika Kar STATISZTIKAI PROBLÉMÁK MEGOLDÁSA SZÁMÍTÓGÉP SEGÍTSÉGÉVEL

Debreceni Egyetem Informatika Kar STATISZTIKAI PROBLÉMÁK MEGOLDÁSA SZÁMÍTÓGÉP SEGÍTSÉGÉVEL Debreceni Egyetem Informatika Kar STATISZTIKAI PROBLÉMÁK MEGOLDÁSA SZÁMÍTÓGÉP SEGÍTSÉGÉVEL Témavezető: Dr. Baran Sándor egyetemi tanár Készítette: Máté Zsolt gazdaságinformatikus Bsc Debrecen 2010 Szeretnék

Részletesebben

Normál eloszlás. Gyakori statisztikák

Normál eloszlás. Gyakori statisztikák Normál eloszlás Átlag jól jellemzi az adott populációt folytonos eloszlás (pl. lottó minden szám egyszer fordul elő) kétkúpú eloszlás (IQ mindenki vagy zseni vagy félhülye, átlag viszont azt mutatja,

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

Bevezetés az SPSS statisztikai programcsomag használatába

Bevezetés az SPSS statisztikai programcsomag használatába Szegedi Tudományegyetem Juhász Gyula Pedagógusképző Kar Csallner András Erik Bevezetés az SPSS statisztikai programcsomag használatába Jegyzet SPORTINFORMATIKA SZAKIRÁNYÚ TOVÁBBKÉPZÉS Szeged, 2015 Tartalomjegyzék

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

A statisztika alapjai - Bevezetés az SPSS-be -

A 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

Részletesebben

Informatika. Magyar-angol két tanítási nyelvű osztály tanterve. 9. évfolyam

Informatika. Magyar-angol két tanítási nyelvű osztály tanterve. 9. évfolyam Informatika Magyar-angol két tanítási nyelvű osztály tanterve Óratervi táblázat: Évfolyam 9. 10. 11. 12. 13. Heti óraszám 2 1 2 - - Éves óraszám 74 37 74 - - Belépő tevékenységformák 9. évfolyam Hardver

Részletesebben

A statisztika részei. Példa:

A statisztika részei. Példa: STATISZTIKA Miért tauljuk statisztikát? Mire haszálhatjuk? Szakirodalom értő és kritikus olvasásához Mit állít egyáltalá a cikk? Korrektek-e a megállaítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez,

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

MARKOLT NORBERT. Alegységszintű vezetők megítélésének pszichológiai dimenziói. Psychological dimension in subunit military leader s assessment

MARKOLT NORBERT. Alegységszintű vezetők megítélésének pszichológiai dimenziói. Psychological dimension in subunit military leader s assessment MARKOLT NORBERT Alegységszintű vezetők megítélésének pszichológiai dimenziói Absztrakt Psychological dimension in subunit military leader s assessment A kutatás célja, az alegységszintű vezetők megítélésében

Részletesebben

MUNKAANYAG. Angyal Krisztián. Szövegszerkesztés. A követelménymodul megnevezése: Korszerű munkaszervezés

MUNKAANYAG. Angyal Krisztián. Szövegszerkesztés. A követelménymodul megnevezése: Korszerű munkaszervezés Angyal Krisztián Szövegszerkesztés A követelménymodul megnevezése: Korszerű munkaszervezés A követelménymodul száma: 1180-06 A tartalomelem azonosító száma és célcsoportja: SzT-004-55 SZÖVEGSZERKESZTÉS

Részletesebben

TANMENETJAVASLAT AZ ÚJ KERETTANTERVHEZ MATEMATIKA 1. ÉVFOLYAM KÉSZÍTETTÉK: KURUCZNÉ BORBÉLY MÁRTA ÉS VARGA LÍVIA TANKÖNYVSZERZŐK 2013

TANMENETJAVASLAT AZ ÚJ KERETTANTERVHEZ MATEMATIKA 1. ÉVFOLYAM KÉSZÍTETTÉK: KURUCZNÉ BORBÉLY MÁRTA ÉS VARGA LÍVIA TANKÖNYVSZERZŐK 2013 TANMENETJAVASLAT AZ ÚJ KERETTANTERVHEZ MATEMATIKA 1. ÉVFOLYAM KÉSZÍTETTÉK: KURUCZNÉ BORBÉLY MÁRTA ÉS VARGA LÍVIA TANKÖNYVSZERZŐK 2013 1 Kedves Kollégák! Tanmenet javaslatunkkal segítséget kívánunk nyújtani

Részletesebben

Az MS Access adatbázis-kezelő program

Az MS Access adatbázis-kezelő program Az adatbázis-kezelő program A tananyagban az alapfogalmak és a tervezési megoldások megismerése után a gyakorlatban is elkészítünk (számítógépes) adatbázisokat. A számítógépes adatbázisok létrehozásához,

Részletesebben

és élelmiszer-ipari termékek hozhatók forgalomba, amelyeket a vonatkozó jogszabá-

és élelmiszer-ipari termékek hozhatók forgalomba, amelyeket a vonatkozó jogszabá- 152 - - - - - - Az öko, a bio vagy az organikus kifejezések használata még napjainkban sem egységes, miután azok megjelenési formája a mindennapi szóhasználatban országon- A német, svéd, spanyol és dán

Részletesebben

INFORMATIKAI ALAPISMERETEK

INFORMATIKAI ALAPISMERETEK Informatikai alapismeretek középszint 1321 ÉRETTSÉGI VIZSGA 2014. október 13. INFORMATIKAI ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA

Részletesebben

Eötvös Loránd Tudományegyetem Tanító- és Óvóképző Kar. Útmutató a szakdolgozat szerkesztéséhez

Eötvös Loránd Tudományegyetem Tanító- és Óvóképző Kar. Útmutató a szakdolgozat szerkesztéséhez Eötvös Loránd Tudományegyetem Tanító- és Óvóképző Kar Útmutató a szakdolgozat szerkesztéséhez Sarbó Gyöngyi 2013 TARTALOMJEGYZÉK TARTALOMJEGYZÉK... 1 ELŐSZÓ... 2 ALAPOK... 3 TERJEDELEM ÉS MÉRET... 3 FORMAI

Részletesebben

LÉTESÍTMÉNYGAZDÁLKODÁS. Változáskezelés. Változás Pont Cím Oldal 2.0 2014.03.19 A teljes dokumentáció átírásra került 2.1 2014.07.14 8.

LÉTESÍTMÉNYGAZDÁLKODÁS. Változáskezelés. Változás Pont Cím Oldal 2.0 2014.03.19 A teljes dokumentáció átírásra került 2.1 2014.07.14 8. ESZKÖZIGÉNY Felhasználói dokumentáció verzió 2.2. Budapest, 2015. Változáskezelés Verzió Dátum Változás Pont Cím Oldal 2.0 2014.03.19 A teljes dokumentáció átírásra került 2.1 2014.07.14 8.3 Új, oszlopszerkesztésbe

Részletesebben

Látványos oktatás egyszerő multimédiás elemek programozásával Delphiben

Látványos oktatás egyszerő multimédiás elemek programozásával Delphiben Látványos oktatás egyszerő multimédiás elemek programozásával Delphiben Menyhárt László Gábor menyhart@elte.hu ELTE IK Absztrakt. A cikkben bemutatok egy ötletes megoldást arra, hogy hogyan lehet egyszerően

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

Microsoft Excel 2010. Gyakoriság

Microsoft 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

Magyarországon személysérüléses közúti közlekedési balesetek okozóik és abból alkoholos állapotban lévők szerinti elemzése. Rezsabek Tamás GSZDI

Magyarországon személysérüléses közúti közlekedési balesetek okozóik és abból alkoholos állapotban lévők szerinti elemzése. Rezsabek Tamás GSZDI Magyarországon személysérüléses közúti közlekedési balesetek okozóik és abból alkoholos állapotban lévők szerinti elemzése Rezsabek Tamás GSZDI Anyag és módszer Központi Statisztikai Hivatalának adatai

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

TÁJÉKOZTATÓ A PORTFÓLIÓ KÖVETELMÉNYEIHEZ

TÁJÉKOZTATÓ A PORTFÓLIÓ KÖVETELMÉNYEIHEZ TÁJÉKOZTATÓ A PORTFÓLIÓ KÖVETELMÉNYEIHEZ A portfólió = dokumentumdosszié (etimológiailag: levélhordó tárca ): Lényegét tekintve olyan dokumentumok gyűjteménye, amelyek megvilágítják valakinek egy területen

Részletesebben

Spike Trade napló_1.1 használati útmutató

Spike Trade napló_1.1 használati útmutató 1 Spike Trade napló_1.1 használati útmutató 1 ÁLTALÁNOS ÁTTEKINTŐ A táblázat célja, kereskedéseink naplózása, rögzítése, melyek alapján statisztikát készíthetünk, szűrhetünk vagy a már meglévő rendszerünket

Részletesebben

Számítógép használat gazdálkodástani végzettséggel a munkahelyen

Számítógép használat gazdálkodástani végzettséggel a munkahelyen 638 kutatás közben W Számítógép használat gazdálkodástani végzettséggel a munkahelyen Az informatika mint tantárgy a felsőoktatásban szinte minden képzésben jelen van, de a szakirodalom és a kutatások

Részletesebben

A nyugdíjban, nyugdíjszerű ellátásban részesülők halandósága főbb ellátástípusok szerint

A nyugdíjban, nyugdíjszerű ellátásban részesülők halandósága főbb ellátástípusok szerint SZENT ISTVÁN EGYETEM, GÖDÖLLŐ Gazdálkodás és Szervezéstudományok Doktori Iskola Doktori (PHD) értekezés tézisei A nyugdíjban, nyugdíjszerű ellátásban részesülők halandósága főbb ellátástípusok szerint

Részletesebben

Statisztika gyakorlat

Statisztika gyakorlat Félévi követelményrendszer tatisztika gyakorlat. Gazdasági agrármérnök szak II. évolyam 007.0.. Heti óraszám: + Aláírás eltételei: az elıadásokon való részvétel nem kötelezı, de AJÁNLOTT! a gyakorlatokon

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Két 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

Részletesebben

A TANTÁRGY ADATLAPJA

A TANTÁRGY ADATLAPJA A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeş Bolyai Tudományegyetem, Kolozsvár 1.2 Kar Politika-, Közigazgatás- és Kommunikációtudományi Kar Történelem és Filozófia

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

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

1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila

1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila 1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila Bevezetés... 1 A kutatás hipotézise... 2 A kutatás célja... 2 Az alkalmazott mikroorganizmusok... 3 Kísérleti

Részletesebben

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 7. MA3-7 modul. Helyzetmutatók, átlagok, kvantilisek

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 7. MA3-7 modul. Helyzetmutatók, átlagok, kvantilisek Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 7. MA3-7 modul Helyzetmutatók, átlagok, kvantilisek SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról

Részletesebben

Prezentáció használata

Prezentáció használata Prezentáció használata A számítógép alkalmazásának egyik lehetséges területe, amikor a számítógépet mint segédeszközt hívjuk segítségül, annak érdekében, hogy előadásunk vagy ismertetőnk során elhangzottakat

Részletesebben

Kulcsár Erika Gál Ottó

Kulcsár Erika Gál Ottó 17 Nemi sztereotípiák a reklámokban KULCSÁR ERIKA 1 GÁL OTTÓ 2 A marketing-mix negyedik alappillére, a piacbefolyásolás, hagyományosan a reklámot, a PR (public relations) tevékenységeket, a vásárlásösztönzést

Részletesebben

I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek, a halmazelmélet elemei, a logika elemei. 1. Számfogalom, műveletek (4 óra)

I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek, a halmazelmélet elemei, a logika elemei. 1. Számfogalom, műveletek (4 óra) MATEMATIKA NYEK-humán tanterv Matematika előkészítő év Óraszám: 36 óra Tanítási ciklus 1 óra / 1 hét Részletes felsorolás A tananyag felosztása: I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek,

Részletesebben

FEJLESZTŐPROGRAMOK EGYMINTÁS, KRITÉRIUMORIENTÁLT HATÁSVIZSGÁLATÁNAK MATEMATIKAI STATISZTIKAI HÁTTERE

FEJLESZTŐPROGRAMOK EGYMINTÁS, KRITÉRIUMORIENTÁLT HATÁSVIZSGÁLATÁNAK MATEMATIKAI STATISZTIKAI HÁTTERE FEJLESZTŐPROGRAMOK EGYMINTÁS, KRITÉRIUMORIENTÁLT HATÁSVIZSGÁLATÁNAK MATEMATIKAI STATISZTIKAI HÁTTERE Szerzők: Mező Ferenc Debreceni Egyetem Máth János Debreceni Egyetem Abari Kálmán Debreceni Egyetem Mező

Részletesebben

Óravázlat. az ECDL oktatócsomaghoz. 5. modul. Adatbáziskezelés. Krea Kft. 1034 Budapest, Szőlő u 21. Tel/fax: 250-5570 / 387-2557 E-mail: krea@krea.

Óravázlat. az ECDL oktatócsomaghoz. 5. modul. Adatbáziskezelés. Krea Kft. 1034 Budapest, Szőlő u 21. Tel/fax: 250-5570 / 387-2557 E-mail: krea@krea. Óravázlat az ECDL oktatócsomaghoz 5. modul Adatbáziskezelés Krea Kft. 1034 Budapest, Szőlő u 21. Tel/fax: 250-5570 / 387-2557 E-mail: krea@krea.hu A vázlatot összeállította: Pintyőke László Lektorálta:

Részletesebben

A kollégisták és a kollégium 30 éve a VOSZK-os Ki kicsoda? 1999-es kiadása tükrében

A kollégisták és a kollégium 30 éve a VOSZK-os Ki kicsoda? 1999-es kiadása tükrében A kollégisták és a kollégium 30 éve a VOSZK-os Ki kicsoda? 1999-es kiadása tükrében Budapest, 2002 február Elöljáróban Még 1999-ben, egy Scampi estet követő éjszaka, a Voszk-os 'Ki kicsodá'-t nézegetve

Részletesebben

Paraméteres-, összesítı- és módosító lekérdezések

Paraméteres-, összesítı- és módosító lekérdezések Paraméteres-, összesítı- és módosító lekérdezések Kifejezések lekérdezésekben mezıként és feltételként is megadhatjuk. A kifejezés tartalmazhat: adatot - állandót (pl. városlátogatás, 5000, Igen, 2002.07.31.)

Részletesebben

Sztochasztikus kapcsolatok

Sztochasztikus kapcsolatok Sztochasztikus kapcsolatok Petrovics Petra PhD Hallgató Ismérvek közötti kapcsolat (1) Függvényszerű az egyik ismérv szerinti hovatartozás egyértelműen meghatározza a másik ismérv szerinti hovatartozást.

Részletesebben

Statisztikai folyamatszabályozás Minitab szoftverrel

Statisztikai folyamatszabályozás Minitab szoftverrel Statisztikai folyamatszabályozás Minitab szoftverrel A Minitab általános statisztikai szoftvert elsősorban statisztikai feladatok megoldására (oktatásra és minőségfejlesztésre) használják, és másodsorban

Részletesebben

PEDAGÓGIAI KUTATÁS KVANTITATÍV MÓDSZEREI. T. Parázsó Lenke

PEDAGÓGIAI KUTATÁS KVANTITATÍV MÓDSZEREI. T. Parázsó Lenke PEDAGÓGIAI KUTATÁS KVANTITATÍV MÓDSZEREI T. Parázsó Lenke Kutatás fogalma A kutatás alatt értendő valamilyen tudatosult igény, probléma megoldására irányuló megoldási folyamat, melynek során a jelenséget

Részletesebben

T Ö. Irodalom http://www V Á

T Ö. Irodalom http://www V Á T Ö BB V Á T O Z Ó TAT I Z T I K A Irodalom http://www www.szit.bme.hu/~kela/ind2 - Bolla-Krámli: tatisztikai következések elmélete, Typotex, 2005 - Vargha A.: Matematikai statisztika, Pólya, 2000 - Bryman,

Részletesebben

Pályázat. az Eötvös Loránd Tudományegyetem. Egyetemi Doktorandusz Önkormányzatának. elnöki tisztségére a 2014/2015-ös tanévben

Pályázat. az Eötvös Loránd Tudományegyetem. Egyetemi Doktorandusz Önkormányzatának. elnöki tisztségére a 2014/2015-ös tanévben Pályázat az Eötvös Loránd Tudományegyetem Egyetemi Doktorandusz Önkormányzatának elnöki tisztségére a 2014/2015-ös tanévben Bezsenyi Tamás cum grano salis 1 ÖNÉLETRAJZ Bezsenyi Tamás Tanulmányok, végzettség

Részletesebben

Informatika-érettségi_emelt 11.-12. évfolyam Informatika

Informatika-érettségi_emelt 11.-12. évfolyam Informatika 11. évfolyam A tanév célja a középszintű érettségire való felkészítés, az emelt szintű érettségire való felkészülésnek a megalapozása. A középszintű érettségi elősegíti az eligazodást és a munkába állást

Részletesebben

Hipotézis vizsgálatok

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

Részletesebben

1/8. Iskolai jelentés. 10.évfolyam matematika

1/8. Iskolai jelentés. 10.évfolyam matematika 1/8 2008 Iskolai jelentés 10.évfolyam matematika 2/8 Matematikai kompetenciaterület A fejlesztés célja A kidolgozásra kerülő programcsomagok az alább felsorolt készségek, képességek közül a számlálás,

Részletesebben

Nem. Cumulative Percent 1,00 férfi ,9 25,9 25,9 2,00 nı ,1 73,1 99,0 99,00 adathiány 27 1,0 1,0 100,0 Total ,0 100,0

Nem. Cumulative Percent 1,00 férfi ,9 25,9 25,9 2,00 nı ,1 73,1 99,0 99,00 adathiány 27 1,0 1,0 100,0 Total ,0 100,0 Függelék II. Demográfia Nem Frequency Percent Percent Cumulative Percent 1,00 férfi 727 25,9 25,9 25,9 2,00 nı 2053 73,1 73,1 99,0 99,00 adathiány 27 1,0 1,0 100,0 Korcsoport Frequency Percent Percent

Részletesebben