Statisztikai alapismeretek (folytatás)
|
|
- Marika Nagyné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Statisztikai alapismeretek (folytatás) 3. elıadás (5-6. lecke) Az alapsokaság fıbb jellemzıi () 5. lecke Folytonos változó megoszlásának jellemzése A sokasági átlag és szórás Átlag és szórás tulajdonságai alkalmazás minta-átlagokra
2 Folytonos esetben az ismérv sőrőségfüggvénye egy nemnegatív p(x) vagy f(x) folytonos függvény, amely alatt a terület egységnyi. Ilyen például a jól ismert Gauss-féle haranggörbe. A sőrőségfüggvény lényege a sokaságnak az a részaránya, amely a és b érték közé esik, a sőrőségfüggvény alatti terület mérıszáma az (a, b) intervallum fölött, képletben P ( a x < b) p( x)dx Itt a P a probability (valószínőség) szóra utal. b = a
3 Az eloszlásfüggvény, F(x) az alapsokaság azon részaránya, amelybe tartozó egyedeken a szóban forgó X ismérv értéke x-nél kisebb. Más szóval, F(x) annak a valószínősége, hogy egy véletlenszerően választott egyeden X<x lesz, azaz F(x)=P(X<x). Az alapsokaság (a,b) intervallumba tartozó egyedeinek részarányát a sőrőségfüggvénnyel és az eloszlásfüggvénnyel is kifejezhetjük: P b ( a x < b) = p( x) dx = F( b) F( a) a
4 Várható érték (sokasági átlag) és szórás Az alapsokaság átlagát várható értéknek nevezzük, a továbbiakban µ-vel jelöljük, az alapsokaság szórásának jele σ. Ez az alapsokaság két legfontosabb paramétere. Képzésük a mintabeli megfelelıik értelemszerő kiterjesztésével történik: diszkrét esetben k p x k, folytonos esetben µ a sőrőségfüggvény súlypontja. = µ x ( ) σ = ( x µ ) p( ) + + k x k µ = xp( x)dx σ = ( x µ ) p( x)dx
5 Kvalitatív változó jellemzıi Kvalitatív sokasági átlagról nem beszélünk Variabilitását diverzitás mutatókkal mérhetjük. Legyenek az egyes kategóriákba sokasági relatív gyakoriságai p 1, p,..., p c, összegük 1 (100%) Simpson-Yule féle diverzitási index D S-Y =1- p k, maximális értéke 1-1/c Shannon-Weaver féle diverzitási index D S-W =- p k ln(p k ), maximális értéke ln(c), ahol c a kategóriák száma (Mindkettı akkor maximális, ha p 1 = p =...= p c )
6 Ismeretek a várható értékrıl A várható értéket a továbbiakban µ szimbólum mellett E(.) vel is jelöljük, tehát µ= E(X). Két alapvetı tulajdonsága: E(a +c 1 X 1 + c X + )= a +c 1 E(X 1 ) + c E(X ) + ahol X 1, X,...X n tetszıleges véletlen változók és a, c 1, c.. tetszıleges konstansok. Speciálisan: E(a)=a; E(cX)=cE(X); E(X+Y)= E(X)+E(Y);E(X-Y)=E(X)-E(Y) A várható érték egy másik fontos tulajdonsága: E(XY)=E(X)E(Y), ha X és Y függetlenek
7 Ismeretek a sokasági varianciáról és szórásról Sem a szórás, sem a variancia általában nem additívak Ha viszont X 1, X,...X n függetlenek, akkor Var(a +c 1 X 1 + c X + )= c 1 Var(X 1 ) + c Var(X ) + ahol a, c 1, c.. tetszıleges konstansok. Speciálisan: Var(a)=0; Var(cX)=c Var(X), és ha X és Y függetlenek, akkor Var(X+Y)= Var(X)+Var(Y); Var(X-Y)=Var(X)+Var(Y)
8 A sokasági átlag és variancia szabályainak néhány következménye a mintára vonatkozóan(1) Felhasználva,hogy a minta elemei X 1, X,...X n független változók (azaz egyikük felvett értéke sem befolyásolja a többi elem felvehetı értékét), igazolhatók az alábbiak A mintabeli relatív gyakoriság (f/n) - várható értéke azonos a sokasági relatív gyakorisággal (p) - varianciája pedig: Var (f/n) = p(1- p)/n
9 A sokasági átlag és variancia szabályainak néhány következménye a mintára vonatkozóan() A minta átlagának ( X a mintavétel elıtt) - várható értéke azonos a sokasági átlaggal E( X )= µ - varianciája pedig: Var ( X) = σ /n - így az átlag szórása σ = σ/ n X
10 A sokasági átlag és variancia szabályainak néhány következménye a mintára vonatkozóan (3): Két minta-átlag eltérésének várhatóértéke és szórása Tekintsünk két (idegen) sokaságot (1. és.), paramétereik µ 1 és σ 1 illetve µ és σ. Vegyünk az 1. sokaságból n 1 elemő mintát, a.-ból n elemőt, az átlagokat (a mintavétel elıtt) jelölje rendre X ill. Y. Jelölje D a két átlag eltérését, ennek várható értéke és szórása jelentıs szerepet kap a további vizsgálatokban
11 Két minta-átlag eltérésének (folytatás) Megmutatható, hogy - az eltérés várható értéke µ = E( X Y ) = µ µ D 1 - és a varianciája σ 1 σ = Var( X Y) = + D n1 σ n - Speciálisan ha σ 1 = σ = σ, akkor és ha emellett n 1 = n = n, akkor 1 1 σ = + D n1 n σ σ σ = D n
12 KÖSZÖNÖM TÜRELMÜKET
13 6. lecke: Fontosabb sokasági eloszlások Binomiális, hipergeometrikus és Poisson eloszlás Exponenciális eloszlás Normális eloszlás, standard normális eloszlás Statisztikai (normálisokból származtatott) eloszlások
14 Fontosabb sokasági eloszlások Diszkrét változók eloszlás-típusai - Binomiális eloszlás - Hipergeometrikus eloszlás - Poisson eloszlás Folytonos változók eloszlás-típusai - Egyenletes eloszlás - Exponenciális eloszlás - Normális eloszlás - Normálisból származtatott eloszlások
15 Binomiális eloszlás Végezzünk n kísérletet, melyek mindegyikében p=p(a) eséllyel következik be a bennünket érdeklı A esemény és q=1-p eséllyel nem következik be (ilyen pl. a visszatevéses mintavétel is véges sokaságnál) Legyen X az A bekövetkezésének száma az n kísérletbıl, X nyilván diszkrét véletlen változó, melynek lehetséges értékei 0,1,,.., n. Az X változó eloszlását n, p paraméterő binomiális eloszlásnak nevezzük. Az X=k esemény valószínőségét p k - val jelölve, kimutatható, hogy n k n k pk = P( X = k) = p q, ( k = 0,1,,..., n) k X várható értéke és varianciája: µ = np σ = npq
16 Hipergeometrikus eloszlás Egy N elemő sokaságban legyen valamely A tulajdonságú egyedek száma S, ezek aránya p=s/n és visszatevés nélkül válasszunk ki n egyedet. Legyen X a kiválasztottak között az A tulajdonságúak száma. X diszkrét változó, melynek lehetséges értékei 0, 1,,.,min(S,n) Az X véletlen változó eloszlását n,n,s paraméterő hipergeometrikus eloszlásnak nevezzük. Az X=k esemény valószínőségét p k -val jelölve, kimutatható, hogy pn k n k n 1 = P( X = k) = ; ( k = 0,1,, n) µ = np, σ = npq 1 N N 1 n qn p k...
17 A Poisson eloszlás (ritka események eloszlása) a binomiális eloszlás határesete, ha n igen nagy és p pici. Ekkor az np =µ jelöléssel az X=k eset valószínősége: k µ µ pk = P( X= k) = e, ( k= 0,1,,... ) k! A Poisson eloszlású X valószínőségi változó várható értéke és szórásnégyzete egyaránt a µ paraméter. Példa: ha egy területen bizonyos növény vagy rovaregyedek véletlenszerően szóródnak, akkor az egységnyi területre esı X egyedszám Poisson eloszlású, µ az egységnyi területre esı átlagos egyedszámot jelenti
18 Exponenciális eloszlás Alkatrészek élettartama, rovarok túlélési ideje a rovarirtó szer kipermetezésétıl számítva (és általában véletlen idıtartamok, távolságok) közelítıen exponenciális eloszlásúak λx sőrőségfüggvénye p x = λ e ha x 0 különben p x = eloszlásfüggvénye F(x) = 1 e -λx (x>0) ( ) ( ) 0 várható értéke 1/λ, szórása ugyanennyi Felezési idınek nevezzük azt a T értéket, amelyre F(T) = ½, azaz T = (ln )/λ 0,69/λ
19 Normális eloszlás A normális eloszlás a legfontosabb folytonos eloszlás 1 1 sőrőségfüggvénye ( ) ( x µ ) p x exp = σ ahol µ és σ a normális eloszlású ismérv várható értéke ill. a szórása, képe a Gauss-féle haranggörbe π A normális eloszlás-család tehát két-paraméterő, jelöljük N( µ,σ)-val. E családban a µ=0 és σ=1 paraméterő esetet standard normális eloszlásnak nevezik. A sőrőségfüggvényét p(x) helyett konvencionálisan φ(u) - val jelölik, eloszlásfüggvénye pedig F(x) helyett Φ(u). σ
20 Normális eloszlás sőrőségfüggvénye µ
21 F(x) számítása Φ(u)-ból (Normális eloszlás folyt.) A Φ(u) és a φ(u) függvény táblázatba foglalva megtalálható minden statisztika témájú könyvben (Excelbıl is kikereshetı) Tetszıleges N( µ, σ ) eloszlás eloszlásfüggvény értéke F(x) kiszámítható a standard normális eloszlásfüggvénybıl. Az átszámítás : x µ F µ, σ ( x) = Φ σ Eszerint egy N( µ,σ) eloszlású alapsokaságnak az (a,b) közbeesı egyedeinek részaránya:
22 P(a x<b) számítása Φ(u)-ból (Normális eloszlás folyt.) Az átszámítási formula szerint egy N( µ,σ) eloszlású alapsokaságnak az (a,b) közbe esı egyedeinek részaránya: ahol P ( a x < b) = F( b) F( a) = Φ( ) Φ( ) b µ a µ ub = és u a = σ σ Megjegyezzük, hogy tetszıleges eloszlású X változó standardizáltjának nevezzük az ( X µ ) σ változót. Ennek várható értéke mindig 0 és szórása 1 X = u b u a
23 Normális eloszlás(ok)ból képzett statisztikai eloszlások (1) Véletlen változók függvényei is véletlen változók. 1) Lognormális eloszlásúnak nevezzük X változót, ha logx normális eloszlású. ) n független standard normális eloszlású véletlen változó négyzetösszege n szabadságfokú chi eloszlású valószínőségi változó, tehát: χ = 1 X + X X n ahol az X i valószínőségi változók független, N(0,1) eloszlásúak. A függetlenség durván azt jelenti, hogy nincsenek kapcsolatban egymással (de erre még kitérünk).
24 Normális eloszlás(ok)ból képzett statisztikai eloszlások () 3) A t-eloszlás Legyen X standard normális eloszlású és χ [ n ] khi eloszlású változó, legyenek függetlenek. Ekkor a t[ n ] = véletlen változó eloszlását n-szabadságfokú t- eloszlásnak hívjuk (Student-eloszlás) χ X n
25 Normális eloszlás(ok)ból képzett statisztikai eloszlások (3) 3) Az F-eloszlás Két független chi eloszlású valószínőségi változó legyen χ [ m ] és χ [ n] Ekkor az χ [ m] / m F[ m, n] = χ / [ n] n hányados F-eloszlású, m,n szabadságfokokkal.
26 KÖSZÖNÖM TÜRELMÜKET
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
RészletesebbenStatisztikai 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
RészletesebbenFeladatok és megoldások a 6. heti eladshoz
Feladatok és megoldások a 6. heti eladshoz Építőkari Matematika A3 1. Ha E(X = 1 és D 2 (X = 5, határozzuk meg (a E[(2 + X 2 ], (b D 2 (4 + 3X értékét. 2. Legyenek X 1, X 2,... független azonos eloszlású
RészletesebbenKomputer 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
RészletesebbenFELTÉTELES VALÓSZÍNŰSÉG, TELJES VALÓSZÍNŰSÉG TÉTELE, BAYES TÉTELE
FELTÉTELES VALÓSZÍNŰSÉG, TELJES VALÓSZÍNŰSÉG TÉTELE, BAYES TÉTELE 1. Egy alkalmassági vizsgálat adatai szerint a vizsgált személyeken 0,05 valószínűséggel mozgásszervi és 0,03 valószínűséggel érzékszervi
RészletesebbenTómács Tibor. Matematikai statisztika
Tómács Tibor Matematikai statisztika Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Matematikai statisztika Eger, 01 Szerző: Dr. Tómács Tibor főiskolai docens Eszterházy Károly
RészletesebbenMINİSÉGSZABÁLYOZÁS. 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
RészletesebbenMITISZK Miskolc-Térségi Integrált Szakképző Központ
MITISZK Miskolc-Térségi Integrált Szakképző Központ VALÓSZÍNŰSÉG-SZÁMÍTÁS ÉS MATEMATIKAI STATISZTIKA FEGYVERNEKI SÁNDOR Miskolci Egyetem Gépészmérnöki és Informatikai Kar Készült a HEFOP-3.2.2-P.-2004-10-0011-/1.0
RészletesebbenBemenet modellezése II.
Bemenet modellezése II. Vidács Attila 2005. november 3. Hálózati szimulációs technikák, 2005/11/3 1 Kiszolgálási id k modellezése Feladat: Egy bemeneti modell felállítása egy egy kiszolgálós sorbanállási
RészletesebbenKecskeméti Fıiskola GAMF Kar Informatika Tanszék. Johanyák Zsolt Csaba
Kecskeméti Fıiskola GAMF Kar Informatika Tanszék Johanyák Zsolt Csaba 003 Tartalomjegyzék. Bevezetés.... A megbízhatóság fogalmai..... A termék idıtıl függı képességei...... Használhatóság /Üzemkészség/
RészletesebbenKockázati folyamatok. Sz cs Gábor. Szeged, 2012. szi félév. Szegedi Tudományegyetem, Bolyai Intézet
Kockázati folyamatok Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet Szeged, 2012. szi félév Sz cs Gábor (SZTE, Bolyai Intézet) Kockázati folyamatok 2012. szi félév 1 / 48 Bevezetés A kurzus céljai
RészletesebbenMatematika Tanszék MOE (PE MIK) MMAM143VB 1 / 34
Valószín½uségszámítás és matematikai statisztika Mihálykóné Orbán Éva Matematika Tanszék MOE (PE MIK) MMAM143VB 1 / 34 Valószín½uségi változók számérték½u jellemz½oi 1 várható érték 2 szórásnégyzet/szórás
RészletesebbenValószínűségszámítás
Eszterházy Károly Főiskola Matematikai és Informatikai Intézet Tómács Tibor Valószínűségszámítás programtervező informatikusok részére Eger, 010. szeptember 0. Tartalomjegyzék 1. Véletlen események...............................
RészletesebbenValószín ségelmélet házi feladatok
Valószín ségelmélet házi feladatok Minden héten 3-4 házi feladatot adok ki. A megoldásokat a következ órán kell beadni, és kés bb már nem lehet pótolni. Csak az mehet vizsgázni, aki a 13 hét során kiadott
Részletesebbenmatematikai statisztika 2006. október 24.
Valószínűségszámítás és matematikai statisztika 2006. október 24. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................
RészletesebbenSztochasztikus folyamatok 1. házi feladat
Sztochasztikus folyamatok 1. házi feladat 1. Egy borfajta alkoholtartalmának meghatározására méréseket végzünk. Az egyes mérések eredményei egymástól független valószínûségi változók, melyek normális eloszlásúak,
RészletesebbenVALÓSZÍNŰSÉGSZÁMÍTÁS KÉPLETTÁR
védőeryő az ismeretleek záporába VALÓSZÍNŰSÉGSZÁMÍTÁS KÉPLETTÁR www.matektaitas.hu www.matektaitas.hu ifo@matektaitas.hu 1 védőeryő az ismeretleek záporába Kombiatorika Permutáció Ismétlés élküli permutáció
RészletesebbenDefiníció. 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
Részletesebben11. 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
RészletesebbenAtomfizikai összefoglaló: radioaktív bomlás. Varga József. Debreceni Egyetem OEC Nukleáris Medicina Intézet 2010. 2. Kötési energia (MeV) Tömegszám
Egy nukleonra jutó kötési energia Atomfizikai összefoglaló: radioaktív bomlás Varga József Debreceni Egyetem OEC Nukleáris Medicina Intézet Kötési energia (MeV) Tömegszám 1. 1. Áttekintés: atomfizika Varga
Részletesebben10. Valószínűségszámítás
. Valószínűségszámítás.. Események A valószínűségszámítás nagyon leegyszerűsítve események bekövetkezésének valószínűségével foglalkozik. Példák: Ha egy játékban egy dobókockával dobunk, akkor a kockadobás
RészletesebbenEloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok
Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok
RészletesebbenCsődvalószínűségek becslése a biztosításban
Csődvalószínűségek becslése a biztosításban Diplomamunka Írta: Deák Barbara Matematikus szak Témavezető: Arató Miklós, egyetemi docens Valószínűségelméleti és Statisztika Tanszék Eötvös Loránd Tudományegyetem,
RészletesebbenStatisztika, 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:
Részletesebben86 MAM112M előadásjegyzet, 2008/2009
86 MAM11M előadásjegyzet, 8/9 5. Fourier-elmélet 5.1. Komplex trigonometrikus Fourier-sorok Tekintsük az [,], C Hilbert-teret, azaz azoknak a komplex értékű f : [,] C függvényeknek a halmazát, amelyek
RészletesebbenAlapfogalmak áttekintése. Pszichológiai statisztika, 1. alkalom
Alapfogalmak áttekintése Pszichológiai statisztika, 1. alkalom Hipotézisek Milyen a jó null hipotézis?? H0: Léteznek kitőnı tanuló diszlexiások.? H1: Nem léteznek. Sokkal inkább: H0: Nincs diszlexiás kitőnı
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
RészletesebbenStandardizálás Főátlagok bontása Alkalmazások Feladatok Vége
Statisztika I 5 előadás Főátlagok összehasonlítása http://bmfhu/users/koczyl/statisztika1htm Kóczy Á László KGK-VMI Viszonyszámok (emlékeztető) Jelenség színvonalának vizsgálata viszonyszámokkal Viszonyszám
RészletesebbenKVANTITATÍV MÓDSZEREK
KVANTITATÍV MÓDSZEREK Dr. Kövesi János Tóth Zsuzsanna Eszter 6 Tartalomjegyzék Kvantitatív módszerek. Valószínűségszámítási tételek. eltételes valószínűség. Események függetlensége.... 3.. eltételes valószínűség...
RészletesebbenII. 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
RészletesebbenFunkcionálanalízis. Általánosított függvények Disztribúciók. 12-13. el adás. 2012. május 9.-16. Lineáris funkcionál
Funkcionálanalízis 12-13. el adás 212. május 9.-16. Általánosított függvények Disztribúciók Lineáris funkcionál Legyen C () az függvénytér, amely a végtelen sokszor dierenciálható, kompakt tartójú függvényeket
RészletesebbenFerenczi Dóra. Sorbanállási problémák
Eötvös Loránd Tudományegyetem Természettudományi Kar Ferenczi Dóra Sorbanállási problémák BSc Szakdolgozat Témavezet : Arató Miklós egyetemi docens Valószín ségelméleti és Statisztika Tanszék Budapest,
RészletesebbenDefine Measure Analyze Improve Control. F(x), M(ξ),
5.5.5. Six Sigma Minőségmenedzsment Statisztikai folyamatszabályozási (SPC) rendszer Erdei János Egy fegyelmezett és erősen mennyiségi szemléletű folyamatfejlesztési megközelítés, amely a gyártási, szolgáltatási
RészletesebbenVariancia-analízis (VA)
Variancia-analízis (VA) 5. elıadás (9-10. lecke) VA lényege, alkalmazásának feltételei, adat-transzformációk 9. lecke Variancia-analízis lényege Szórások egyezésének ellenırzése A Variancia-Analízis (VA)
RészletesebbenElméleti 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...
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)
RészletesebbenTantárgyi útmutató. Gazdasági matematika II.
Módszertani Intézeti Tanszék Tantárgyi útmutató Gazdasági matematika II. Nappali Tagozat 2015/16 tanév II. félév 1/5 Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa: Gazdasági matematika
RészletesebbenA mintavétel bizonytalansága
A mintavétel bizonytalansága Farkas Zsuzsa, Prof. Dr. Ambrus Árpád FarkasZs@nebih.gov.hu, AmbrusArp@nebih.gov.hu NÉBIH ÉKI A termék megfelelőség ellenőrzése - A mintavétel és az analitikai vizsgálati eredmények
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 00-. I. Félév . fejezet Számhalmazok és tulajdonságaik.. Nevezetes számhalmazok ➀ a) jelölése: N b) elemei:
Részletesebben1. 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
Részletesebben1.4 Hányféleképpen rakhatunk sorba 12 könyvet, ha 3 bizonyos könyvet egymás mellé akarunk rakni és
Valószínűségszámítás és statisztika feladatok 1 Kombinatorika 2011/12. tanév, I. félév 1.1 Hányféleképpen lehet a sakktáblán 8 bástyát elhelyezni úgy, hogy egyik se üsse a másikat? Mennyi lesz az eredmény,
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:
RészletesebbenMatyusz Zsolt A 2009-ES VERSENYKÉPESSÉGI ADATFELVÉTEL VÁLLALATI MINTÁJÁNAK ALAPJELLEMZİI ÉS REPREZENTATIVITÁSA
BUDAPESTI CORVINUS EGYETEM VÁLLALATGAZDASÁGTAN INTÉZET VERSENYKÉPESSÉG KUTATÓ KÖZPONT Matyusz Zsolt A 2009-ES VERSENYKÉPESSÉGI ADATFELVÉTEL VÁLLALATI MINTÁJÁNAK ALAPJELLEMZİI ÉS REPREZENTATIVITÁSA TM1.
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
Részletesebbenσhúzó,n/mm 2 εny A FA HAJLÍTÁSA
A FA HAJLÍTÁSA A fa hajlítása a fa megmunkálásának egyik igen fontos módja. A hajlítás legfıbb elınye az anyagmegtakarítás, mivel az íves alkatrészek elıállításánál a kisebb keresztmetszeti méretek mellett
RészletesebbenAnalízisfeladat-gyűjtemény IV.
Oktatási segédanyag a Programtervező matematikus szak Analízis. című tantárgyához (003 004. tanév tavaszi félév) Analízisfeladat-gyűjtemény IV. (Függvények határértéke és folytonossága) Összeállította
RészletesebbenI. Általános információk az előadásokról, szemináriumokról, szak- vagy laborgyakorlatokról
BABEŞ BOLYAI TUDOMÁNYEGYETEM KOLOZSVÁR KÖZGAZDASÁG- ÉS GAZDÁLKODÁSTUDOMÁNYI KAR SZAKIRÁNY: KÖZÖS TÖRZS EGYETEMI ÉV: 2009/2010 FÉLÉV: IV I. Általános információk az előadásokról, szemináriumokról, szak-
Részletesebbenstatisztikai 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
RészletesebbenMIKROÖKONÓMIA I. Készítette: K hegyi Gergely és Horn Dániel. Szakmai felel s: K hegyi Gergely. 2010. június
MIKROÖKONÓMIA I Készült a TÁMOP-412-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenFourier-transzformáció
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR Simon Péter Fourier-transzformáció Ez a tanulmány az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával készült (a támogatás száma:
RészletesebbenMTA DOKTORI ÉRTEKEZÉS
MTA DOKTORI ÉRTEKEZÉS ELLENTÉTES TÖLTÉSŐ POLIELEKTROLITOK ÉS TENZIDEK ASSZOCIÁCIÓJA Mészáros Róbert Eötvös Loránd Tudományegyetem Kémiai Intézet Budapest, 2009. december Köszönetnyilvánítás Ezúton szeretném
RészletesebbenFeladatok és megoldások a 4. hétre
Feladatok és megoldások a. hétre Építőkari Matematika A3. Pisti nem tanult semmit a vizsgára, ahol 0 darab eldöntendő kérdésre kell válaszolnia. Az anyagból valami kicsi dereng, ezért kicsit több, mint
RészletesebbenKevei Péter. 2013. november 22.
Valószíűségelmélet feladatok Kevei Péter 2013. ovember 22. 1 Tartalomjegyzék 1. Mérhetőség 4 2. 0 1 törvéyek 12 3. Vektorváltozók 18 4. Véletle változók traszformáltjai 28 5. Várható érték 33 6. Karakterisztikus
RészletesebbenKISTELEPÜLÉSEK TÉRBEN ÉS IDİBEN 1
KISTELEPÜLÉSEK TÉRBEN ÉS IDİBEN 1 Fleischer Tamás 1. BEVEZETÉS A hetvenes évek derekán az addigi "tanyakérdést" követıen átterelıdött a figyelem a kistelepülésekre: mondhatnánk - már ami a közleményeket
RészletesebbenVillamosmérnök A4 11. hét Kétdimenziós normális eloszlás, cht - Megoldások
Villamosmérnök A 11. hét Kétdimenziós normális eloszlás, cht - Megoldások Kétdimenziós normális összefoglalás Egy kétdimenziós X, Y valószínűségi változó kovariancia mátrixa: VarX CovX, Y CovX, Y VarY
RészletesebbenPILIS VÁROS ÖNKORMÁNYZATÁNAK EGÉSZSÉGÜGYI SZOLGÁLTATÁS TERVEZÉSI KONCEPCIÓJA
1 JÓVÁHAGYOTT VERZIÓ! PILIS VÁROS ÖNKORMÁNYZATÁNAK EGÉSZSÉGÜGYI SZOLGÁLTATÁS TERVEZÉSI KONCEPCIÓJA Pilis Város Önkormányzatának Képviselı-testülete Pilis Város Egészségügyi Szolgáltatás-tervezési Koncepcióját
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 :
RészletesebbenAnalízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév
Analízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév Valós számok 1. Hogyan szól a Bernoulli-egyenl tlenség? Mikor van egyenl ség? Válasz. Minden h 1 valós számra
RészletesebbenSZTOCHASZTIKUS MÓDSZEREK
EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR BUDAPESTI CORVINUS EGYETEM KÖZGAZDASÁGTUDOMÁNYI KAR SZTOCHASZTIKUS MÓDSZEREK A NEM-ÉLETBIZTOSÍTÁSOK TARTALÉKOLÁSÁBAN MSc szakdolgozat Írta: Orbán Barbara
RészletesebbenMiskolci Egyetem. Diszkrét matek I. Vizsga-jegyzet. Hegedűs Ádám Imre 2010.12.28.
Miskolci Egyetem Diszkrét matek I. Vizsga-jegyzet Hegedűs Ádám Imre 2010.12.28. KOMBINATORIKA Permutáció Ismétlés nélküli permutáció alatt néhány különböző dolognak a sorba rendezését értjük. Az "ismétlés
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
RészletesebbenA gyakorlatok HF-inak megoldása Az 1. gyakorlat HF-inak megoldása. 1. Tagadások:
. Tagadások: A gyakorlatok HF-inak megoldása Az. gyakorlat HF-inak megoldása "Nem észak felé kell indulnunk és nem kell visszafordulnunk." "Nem esik az es, vagy nem fúj a szél." "Van olyan puha szilva,
RészletesebbenÁttekintés a felhasznált lineáris algebrai ismeretekről.
Kiegészítés az előadássorozathoz. Áttekintés a felhasznált lineáris algebrai ismeretekről. A valószínűségszámítás (és a matematika) bizonyos kérdéseiben fontos szerepet játszik a lineáris algebra néhány
RészletesebbenKorreláció és Regresszió
Korreláció és Regresszió 9. elıadás (17-18. lecke) Korrelációs együtthatók 17. lecke Áttekintés (korreláció és regresszió) A Pearson-féle korrelációs együttható Korreláció és Regresszió (témakörök) Kapcsolat
RészletesebbenStatisztikai 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(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenAnalízis. Ha f(x) monoton nő [a;b]-n, és difható egy (a;b)-beli c helyen, akkor f'(c) 0
Analízis A differenciálszámítás középértéktételei: 1) Rolle-tétel: Ha f folytonos a korlátos és zárt [a;b] intervallumon, f diffható [a;b]-n és f(a) = f(b), akkor van egy a < c < b belső pont, ahol f'(c)
RészletesebbenFİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv. 2012. Március 13.
FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) 2012. Március 13. A kutatási terv fogalmának, a különbözı kutatási módszerek osztályozása, a feltáró és a következtetı kutatási módszerek közötti különbségtétel
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
RészletesebbenÖNJAVÍTÓ AGGREGÁLÁS SZENZORHÁLÓZATOKBAN ÉS AGGREGÁTOR NODE VÁLASZTÁS. Schaffer Péter. Tézisfüzet. Konzulens: Buttyán Levente, Ph.D.
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM HÍRADÁSTECHNIKAI TANSZÉK ÖNJAVÍTÓ AGGREGÁLÁS ÉS AGGREGÁTOR NODE VÁLASZTÁS SZENZORHÁLÓZATOKBAN Tézisfüzet Schaffer Péter Konzulens: Buttyán Levente, Ph.D.
RészletesebbenF1404 ATOMMAG- és RÉSZECSKEFIZIKA
F1404 ATOMMAG- és RÉSZECSKEFIZIKA Dr. Raics Péter DE TTK Kísérleti Fizikai Tanszék, Debrecen, Bem tér 18/A RAICS@TIGRIS.KLTE.HU Ajánlott irodalom Raics P.: Atommag- és részecskefizika. Jegyzet. DE Kísérleti
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
Részletesebbens z o l g á l t a t á s i i r o d a
s z o l g á l t a t á s i i r o d a Ügyszám: Vj-162/2006/006. A Gazdasági Versenyhivatal a Dr. Kézdi Ügyvédi Iroda (ügyintézı: dr. K. A.) által képviselt Fıvárosi Közterületi Parkolási Társulás eljárás
RészletesebbenÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ
Szolnoki Főiskola Üzleti Fakultás, 5000 Szolnok, Tiszaligeti sétány ÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ A 4/1996. (I. 18.) Korm. rendelet a közgazdasági felsőoktatás alapképzési szakjainak képesítési
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
RészletesebbenA CO2 /ÜHG/ kibocsátás (EU ETS) aktuális kérdései, tapasztalatai
A CO2 /ÜHG/ kibocsátás (EU ETS) aktuális kérdései, tapasztalatai Tóthné Kiss Klára Q&L Kft, vezetı hitelesítı, SZTE üvegszakosztály elnöke XXIX, Téglás Napok 2014. november 13. Hazai intézményrendszer
RészletesebbenVERSENYKÉPESSÉG ÉS EGÉSZSÉGKULTÚRA ÖSSZEFÜGGÉSEI REGIONÁLIS MEGKÖZELÍTÉSBEN
Egyetemi doktori (PhD) értekezés tézisei VERSENYKÉPESSÉG ÉS EGÉSZSÉGKULTÚRA ÖSSZEFÜGGÉSEI REGIONÁLIS MEGKÖZELÍTÉSBEN Készítette: Dr. Balatoni Ildikó doktorjelölt Témavezetı: Prof. dr. Baranyi Béla az MTA
Részletesebben4. sz. Füzet. A hibafa számszerű kiértékelése 2002.
M Ű S Z A K I B I Z O N S Á G I F Ő F E L Ü G Y E L E 4. sz. Füzet A hibafa számszerű kiértékelése 00. Sem a Műszaki Biztonsági Főfelügyelet, sem annak nevében, képviseletében vagy részéről eljáró személy
RészletesebbenVéletlenszám-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,
RészletesebbenRÖVIDÍTETT TÁJÉKOZTATÓJA
által kezelt PLATINA ALFA SZÁRMAZTATOTT BEFEKTETÉSI ALAP* PLATINA BÉTA SZÁRMAZTATOTT BEFEKTETÉSI ALAP* PLATINA GAMMA SZÁRMAZTATOTT BEFEKTETÉSI ALAP* PLATINA DELTA SZÁRMAZTATOTT BEFEKTETÉSI ALAP* PLATINA
RészletesebbenFélévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz
Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz Dátum Téma beadandó Feb 12Cs Konvolúció (normális, Cauchy,
RészletesebbenSztochasztikus modellek az egészségbiztosításban Diplomamunka Írta: Márton Anikó alkalmazott matematikus szak Témavezet k: Mályusz Károly, vezet aktuárius Cardif Életbiztosító Zrt. és Arató Miklós, bels
RészletesebbenJelátalakítók vagy érzékelők beépített kiértékelő elektronikával. Túlterhelésálló és hosszú időn át stabil a kerámia mérőcellának köszönhetően.
Jelátalakítók vagy érzékelők beépített kiértékelő elektronikával. Túlterhelésálló és hosszú időn át stabil a kerámia mérőcellának köszönhetően. Mérési tartomány 600 barig. Opcionális adapterekkel választható
RészletesebbenFa- és Acélszerkezetek I. 6. Előadás Stabilitás II. Dr. Szalai József Főiskolai adjunktus
Fa- és Acélszerkezetek I. 6. Előadás Stabilitás II. Dr. Szalai József Főiskolai adjunktus Tartalom Kifordulás jelensége Rugalmas hajlított gerenda kritikus nyomatéka Valódi hajlított gerendák viselkedése
RészletesebbenFunkcionálanalízis az alkalmazott matematikában
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR Simon Péter Funkcionálanalízis az alkalmazott matematikában egyetemi jegyzet A jegyzet az ELTE IK 2010. évi Jegyzettámogatási pályázat támogatásával készült
RészletesebbenPénzügyi matematika. Medvegyev Péter. 2013. szeptember 8.
Pénzügyi matematika Medvegyev Péter 13. szeptember 8. Az alábbi jegyzet a korábbi ötéves gazdaságmatematikai képzés keretében a Corvinus egyetemen tartott matematikai el adásaim kib vített verziója. A
Részletesebben1. (Sugár Szarvas fgy., 186. o. S13. feladat) Egy antikvárium könyvaukcióján árverésre került. = x = 6, y = 12. s y y = 1.8s x.
. Sugár Szarvas fgy., 86. o. S3. feladat Egy antikvárium könyvaukcióján árverésre került 9 könyv licitálási adatai alapján vizsgáljuk a könyvek kikiáltási és ún. leütési ára ezerft közötti sztochasztikus
RészletesebbenStatisztikai 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
RészletesebbenMetrológiai alapok. Horváthné Drégelyi-Kiss Ágota Fıiskolai tanársegéd, BMF BGK AGI. E-mail: dregelyi.agota@bgk.bmf.hu URL: www.bmf.
Méréselmélet let és s méréstechnikam Környezetmérnök k hallgatók k részr szére Horváthné Drégelyi-Kiss Ágota Fıiskolai tanársegéd, BMF BGK AGI E-mail: dregelyi.agota@bgk.bmf.hu URL: www.bmf.hu/users users/dregelyia/
Részletesebben1.9. A forgácsoló szerszámok éltartama
1. oldal, összesen: 8 1.9. A forgácsoló szerszámok éltartama A forgácsoló szerszámok eredeti szabályos mértani alakjukat bizonyos ideig tartó forgácsolás után elvesztik. Ilyenkor a szerszámokat újra kell
RészletesebbenA KLASSZIKUS NELDER-MEAD ÉS EGY ÚJONNAN KIFEJLESZTETT OPTIMUMKERESİ ELJÁRÁS TELJESÍTMÉNYÉNEK ÖSSZEHASONLÍTÁSA
A KLASSZIKUS NELDER-MEAD ÉS EGY ÚJONNAN KIFEJLESZTETT OPTIMUMKERESİ ELJÁRÁS TELJESÍTMÉNYÉNEK ÖSSZEHASONLÍTÁSA Kıházi-Kis Ambrus Kecskeméti Fıiskola GAMF Kar Természet és Mőszaki Alaptudományi Intézet Fizika
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
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
RészletesebbenEGÉSZTESTSZÁMLÁLÁS. Mérésleírás Nukleáris környezetvédelem gyakorlat környezetmérnök hallgatók számára
EGÉSZTESTSZÁMLÁLÁS Mérésleírás Nukleáris környezetvédelem gyakorlat környezetmérnök hallgatók számára Zagyvai Péter - Osváth Szabolcs Bódizs Dénes BME NTI, 2008 1. Bevezetés Az izotópok stabilak vagy radioaktívak
RészletesebbenValószínűségszámítás összefoglaló
Vlószíűségszámítás összefoglló I. Feezet ombtor ermutácó Ismétlés élül ülöböző elem lehetséges sorrede! b Ismétléses em feltétleül ülöböző elem összes ülöböző sorrede!... hol z zoos eleme gyorság!!...!
RészletesebbenBiostatisztika e-book Dr. Dinya Elek
TÁMOP-4../A/-/-0-005 Egészségügy Ügyvtelszervező Szakrány: Tartalomfejlesztés és Elektronkus Tananyagfejlesztés a BSc képzés keretében Bostatsztka e-book Dr. Dnya Elek Tartalomjegyzék. Bevezetés a mátrok
RészletesebbenBizonytalanság Valószín ség Bayes szabály. Bizonytalanság. November 5, 2009. Bizonytalanság
November 5, 2009 i következtetés Legyen az A t akció az, hogy t perccel a repül gép indulása el tt indulunk otthonról. Kérdés, hogy A t végrehajtásával kiérünk-e id ben? Problemák: 1. hiányos ismeret (utak
RészletesebbenNUMERIKUS MÓDSZEREK FARAGÓ ISTVÁN HORVÁTH RÓBERT. Ismertető Tartalomjegyzék Pályázati támogatás Gondozó
FARAGÓ ISTVÁN HORVÁTH RÓBERT NUMERIKUS MÓDSZEREK 2011 Ismertető Tartalomjegyzék Pályázati támogatás Gondozó Szakmai vezető Lektor Technikai szerkesztő Copyright Az Olvasó most egy egyetemi jegyzetet tart
RészletesebbenGyakorló feladatok Anyagmérnök hallgatók számára
Gyakorló feladatok Anyagmérnök hallgatók számára. feladat Egy külkereskedelmi vállalat 7 ezer üvegből álló gyümölcskonzerv szállítmányt exportál. A nettó töltősúly ellenőrzése céljából egy 9 elemű véletlen
RészletesebbenOC-görbe, működési jelleggörbe, elfogadási jelleggörbe
1 OC-görbe, működési jelleggörbe, elfogadási jelleggörbe Németül: OC-kurve, Annahmekennlinie, OC-Funktion Angolul: Operating characteristic curve Franciául: Caractéristique de fonctionnement, courbe d
Részletesebben