Kutatástervezés 1. rész, Hahn István
|
|
- Attila Gulyás
- 8 évvel ezelőtt
- Látták:
Átírás
1 Kutatástervezés 1. rész, Hahn István 1. óra Adattípusok 1. A leggyakoribb változók osztályozása 2. A bináris változók jelentősége 3. Borításbecslés bináris mintavételi módszerrel 4. A leíró statisztika alapjai 2. óra Statisztika 1. Néhány jelentős eloszlás 2. Döntéshozó statisztikák 3. óra Kísérletek tervezése 1. Ismétlésszám 2. Randomizáció, kísérleti elrendezések 3. Hibás tervezések, hibás következtetések 0. Tantárgy bevezető 4. óra Hallgatói beszámolók 1. ZH 2. Témaismertetések kísérlettervezési és kiértékelési szempontból
2 Kutatástervezés 2. rész, Pásztor Erzsébet Feladat az első alkalomra: Hogyan alakul át a tudományos munka? Mi lesz az én szerepem? szavas reflexió a kötelező olvasmányra (Human Genome Project: Twenty-five years of big biology) saját google dokumentumba, szerkesztésre megosztva: lizpasztor@gmail.com 1. óra A kutatómunka természete 1. Hogyan alakul át a tudományos munka? Egyéni és csoport teljesítmény. Magányos zseni és kooperatív problémamegoldó. 2. MsC és PhD: hasonlóságok és különbözőségek, MsC és PhD követelmények 3. A kutatás folyamata: a témaválasztástól a publikációig 4. A témaválasztás folyamata,t émagenerálás analógiák, relevancia fák és morfológiai analízis segítségével 5. A potenciális témák értékelése 2. óra Irodalmazás, kapcsolattartás 1. Hogyan legyünk naprakészek: források, kutatói hálózatok, blogok 2. Elektronikusan elérhető szakirodalom 3. Keresés kulcsszavakkal és citációk alapján: a szakirodalom feltérképezése 4. Saját bibliográfia felállítása 5. Hogyan olvassunk és mit dokumentáljunk? 3. óra Tervezés és végrehajtás 1. Miért van szükség a tervezésre? 2. Hálótervek készítése 3. Elkerülhető és elkerülhetetlen problémák a végrehajtás során 4. A témavezetővel való kapcsolattartás módjairól 5. A szükséges pozitív hozzáállásról 4. óra Milyen lesz az én szakdolgozatom? 1. Cím 2. Irodalmazás, témaelemzés 3. Alkalmazott módszerek 4. Adatbázis, elemzés 5. Diszkusszió 6. Összefoglaló (absztrakt)
3 Kutatástervezés 3. rész, Miklósi Ádám Felkészülés az előző héten Feladat: Téma absztraktjának beküldése (doc), Előadás elküldése (ppt) 1. óra perces előadás saját témából ppt + kérdések 2. Absztraktírás átbeszélése 3. Cikk, mint a kutatói munka alapja 4. HÁZI: Absztrakt javítása 5. HÁZI: 1 kézirat feldolgozása előadásra (ppt) 2. óra 1. Kutatói munka: együttműködés és verseny 2. Egyéb kutatói tevékenységek, karrier 3. Hogyan (miért) bírálunk cikket 4. Házi: 1 kézirat bírálatának elkészítése 3. óra perces előadás a kéziratból ppt + kérdések 2. Pályázatírás szempontjai 3. Házi: Pályázat írása, és bírálata 4. Óra 1. Pályázat bemutatása, bírálatok megbeszélése
4 Védelmi lapok aláírása Közös dokumentum megosztása, biometriai előélet megadása Gyakorlati jegy szerzése
5 Változótípusok Skála Definíció Példák Nominális 1.kvalitatív, nevekből áll 2.nincs rangsor ivar, betegség, fajnév, cselekvési típus, prezencia-abszencia adatok Ordinális Intervallum Arány/ hányados 1.kvalitatív, rangsor lehetséges 2.értékek közti távolság tetszőleges 1.kvantitatív, rangsor, értékek közti különbség mutatja a távolságot 2.önkényes nulla pont 3.arányok nem értelmezhetők 1.kvantitatív, rangsor, értékek közti intervallum mutatja a távolságot 2.valódi nullapont 3.arányok értelmezhetőek agresszivitás: erős, közepes, gyenge, borítás skálák, W-értékek, rangok C hőmérséklet, IQ testsúly, magasság, életkor, mért értékek A megkülönböztetés fontos: kváziátlagok a statisztikában általában mérhető és megállapítható változókat különböztetnek meg. Közöttük egyirányú konverzió lehetséges folytonos vagy diszkrét közöttük átmenet: Simon Levin statisztikus véleménye (termésszám-terméssúly) bináris (előnyei-hátrányai) - borításbecslés
6 Klonális növekedési formák: Falanx Az egyed fogalma nehezen értelmezhető, terepen nem számolható. Egyedszám helyett használható: -Hajtásszám -Biomassza -Borítás Gerilla
7 Tömegesség megadása: borításbecslés bináris értékek sorozatával Elvileg járható út, terepen nem alkalmazható időigényes volta miatt
8 Feladat: pontok kijelölésével próbáld megbecsülni, hogy a piros (nyomtatva fekete) foltok a négyzet hány százalékát foglalják el! A lap oldalán tízesével írjál 0-t vagy 1-et, 10x10-et, és számold ki az 1 /összes hányadost tízesével! Készíts ábrát, ahol a az elemszám függvényében ábrázolod a hányadost!
9 Excel bináris borításbecslés
10 Fehér: 42% piros 58%
11 arány Van-e értelme önmagában egy bináris adatsornak? Vízigény megoszlás egy szigetközi területen W Fajszámok alapján borítások alapján
12 A matematikai statisztika elemei illetve ezek felelevenítése David B. Allison, Andrew W. Brown, Brandon J. George, Kathryn A. Kaiser Reproducibility: A tragedy of errors Nature, 03 February 2016 To consult the statistician after an experiment is finished is often merely to ask him to conduct a post mortem examination. He can perhaps say what the experiment died of. Sir Ronald Aylmer Fisher ( ) angol statisztikus és biológus
13 STATISZTIKAI ALAPFOGALMAK: Átlag, szórás Legyenek valamely n elemű populáció egy x változójának mért vagy számított értékei: x, 1 x2,..., x n x x 1 x 2... n x n. i 1 (s.d.) s n x i n 1 x 2 Számtani átlag szórás A biológiai minták variabilitása nagy
14 Módusz A leggyakrabban előforduló érték. Középérték további mutatói: Medián A sorba rendezett adatok középső értéke. Ha n páratlan, akkor az értékek közül a nagyság szerint rendezett sorban a középső, ha n páros, akkor a két középső érték számtani közepe. Számtani átlag Mértani átlag Az alapadatok szorzatának annyiadik gyöke, ahány adat van. Harmonikus átlag A reciprok adatok átlagának reciproka. Kváziátlag: ordinális változókból számolt átlag
15 Szóródási tendencia további mutatói: Terjedelem A legnagyobb és a legkisebb érték közötti különbség. Szórás A várható értéktől való eltérés várható értéke dimenziója az eredeti Variancia A szórás négyzete. - számításokhoz Variációs együttható dimenzió nélküli szám V s x, Megadás: az alapadatoknál eggyel több értékes jegyre
16 Egyszerű esetek: Pénz, kocka Bonyolult esetek: más (dobómalac) Valószínűségek megadása A priori a posteriori A nagy számok törvénye A nagy számok törvénye a valószínűségszámítás egyik alapvető tétele. A törvény azt mondja ki, hogy egy kísérletet sokszor elvégezve az eredmények átlaga egyre közelebb lesz a várható értékhez (v.ö. borításbecslés). Nem jelenti ugyanakkor azt, hogy az esélyek kiegyenlítődnek Kapcsolata a mintavételi elemszámmal
17 Egy rövid tűt egy vonalas lapra leejtve, mi a valószínűsége annak, hogy az keresztezni fog egy vonalat? - vetette fel a kérdést George Louis Leclerc, Buffon grófja 1777-ben. Legyen a szakaszok (tűk) hossza L= 49 mm, a vonalak egymástól való távolsága d = 60 mm. Georges-Louis Leclerc ( ), Buffon grófja francia természettudós
18 Ha L d, annak a valószínűsége, hogy a leejtett L hosszúságú tű metszi valamelyik vonalat: 2 * L p = * d SZÁMOLÁS!
19 Pi= 3,
20 Szegélyhatás a mintavételi egységeknél Transzektbe/kvadrátba esés valószínűségének megadása ismert alakú foltok esetében.
21 Valószínűségek összeadása, függetlenség, szorzás Ide kellenek egyszerű számolási feladatok kockával, érmével
22 Valószínűségek megadása számításokkal Binomiális eloszlás 2 lehetséges kimenetel, egyik bekövetkezési valószínűsége p, a másiké q, p+q=1. Annak valószínűsége, hogy n db kiválasztáskor éppen k esetben következik be a p valószínűségű esemény: p k *(1-p) n-k a lehetséges sorozatok száma (ismétléses permutáció) n!/((k!*(n-k)!) P k n k k n k * p (1 p) Az eloszlásnak két paramétere van, n és p. Ez végtelen mintákra vonatkozik, egy egyszerűbb véges urnamodell analóg kérdése
23 Egy urnában levő N darab golyó közül M piros, és visszatevés nélkül kiválasztunk n darabot, mi a valószínűsége annak, hogy a mintában éppen k darab piros golyó lesz? Az eloszlás hipergeometrikus, ha n és s elég nagy, az eloszlás jól közelíthető a binomiálissal. Olyan esetekben használatis, ahol a a kiválasztott elem a vizsgálat során elhasználódik, azaz nem lehet visszatevéses mintavételnek tekinteni. Ha M tart a végtelenhez, akkor a a hipergeometrikus előszlással számolt valószínűség tart a binomiálissal számolthoz.
24 Tételezzük fel, hogy p nagyon kicsi, de n tart a végtelenhez úgy, hogy szorzatuk konstans: n*p= Poisson eloszlás: annak a valószínűsége, hogy éppen k-szor következik be az esemény: P(k)=(( k )/k!)*e - Az eloszlásnak egy paramétere van,, ami egyben az eloszlás várható értékét és varianciáját is adja. Annak a valószínűsége, hogy egy t-vel jellemezhető intervallumra (pl. szakasz, terület, térfogat, idő) éppen k darab eset jut: P(kt)=(( kt )/k!)*e - t A mintavételezés egyik referencia-eloszlása, ezzel lehet leírni a térbeli és az időbeli véletlen folyamatokat.
25 Három pontmintázat típus: szabályos véletlenszerű csoportosulásos
26 Helyi feladat: véletlen pontmintázat előállítása Helyi feladat: véletlen számsor előállítása Írjatok 1 és 100 között (a szélső értékek is beleértendők) száz egész számot, törekedve a véletlenszerűségre. Értékelés: Ábrázoljátok oszlopdiagrammon 1. Az 1-10, 11-20, 21-30, stb. tartományba eső számok darabszámát. 2. Az 1, 2, 3, stb. végződésű számok darabszámát. 3. Csináljatok egy ezen adatokból 1-1 összesített diagrammpárt!
27 előfordulás véletlen számok végződései (10 hallgató) végződés
28 előfordulás összesített véletlenszámok végződés
29 A megszokott 10-es számrendszer rányomja bélyegét az eredményekre:
30 (Csak előrevéve:) The twenty commonest censusing sins William J. Sutherland School of Biological Sciences, University of East Anglia
31 1. NOT SAMPLING RANDOMLY. It is very satisfying to sample rarities or rich patches but it ruins the exercise. One common error is just to visit the beat sites and use the data to estimate population size. 2. COLLECTING FAR MORE SAMPLES THAN CAN POSSIBLY BE ANALYSED. This is a waste of time and may raise ethical and conservation issues. 3. CHANGING THE METHODOLOGY IN MONITORING. Unless there is a careful comparison of the different methods, changing the methodology prevents comparisons between years. 4. COUNTING THE SAME INDIVIDUAL IN TWO LOCATIONS AND COUNTING IT AS TWO INDIVIDUALS. 5. NOT KNOWING YOUR SPECIES. Knowing your species is essential for considering biases and understanding the data. 6. NOT HAVING CONTROLS IN MANAGEMENT EXPERIMENTS. This is the greatest problem in interpreting the consequences of management. 7. NOT STORING INFORMATION WHERE IT CAN BE RETRIEVED IN THE FUTURE. The new warden of a national nature reserve in England could find out from old work programmes the days on which his predecessor had counted a rare orchid but could find no record of the actual numbers!
32 Számítógépes algoritmusak Igazi véletlenszám generátorok: Radioaktív bomlás alapján
33 kísérleti elrendezések Randomizáció Véletlen számok és mintázatok problematikája - cél: a statisztikai populáció tagjai egyenlő eséllyel kerülhessenek a mintába - használható zavaró tényezők, tendenciák hatásának kiszűrésére - a reprezentativitás legfőbb biztosítéka - torz minta: - bizonyos egyedek nagyobb valószínűséggel kerülnek a mintába - bizonyos egyedek bekerülése befolyásolja más egyedek bekerülését Példa: botanika-kvadrát Térbeli autokorreláció Tobler amerikai geográfus első törvénye: Minden mindennel összefügg, de a közelebbi dolgok erősebben hatnak egymásra. Azaz várhatóan az egymáshoz közel levő helyek jobban hasonlítanak egymásra, mint a távoliak. Időben is: a holnapi időjárás legnagyobb valószínűséggel olyan, mint a mai. ál-ismétlés A véletlenszerűség igen gyakran statisztikai követelmény Haphazard (találomra, vaktában) mintavétel Problémái, szisztematikus és szemiszisztematikus mintavétel
34 Szemiszisztematikus (helytelen) neve térben rétegezett elrendezés
35 Sziklagyepek a képen ördögszántás
36 Kísérleti elrendezések a véletlenszerűség biztosítására véletlen blokkelrendezés: az ismétlések blokkokba vannak osztva úgy, hogy a blokkok minél homogénebbek legyenek előny: egyszerű hátrány: tízféle vagy több kezelésnél nehezen biztosítható a blokkon belüli homogenitás ekkor jobb a tökéletlen, azaz a blokkon belüli homogenitás érdekében lemondanak arról, hogy minden blokkban minden kezelés benne legyen példa 1. parcellakísérlet gradiens mentén példa 2. laborkísérlet időben: pl. vérszérum elemzés box: Ali fotoszintézis vizsgálatai: napi és évi ciklus
37 Latin-négyzet Az elnevezés Eulertől származik, aki latin betűket használt szimbólumokként. Matematikai elmélete van. Régen a misztikában, jelenleg a kísérlettervezésben és a kódolásban alkalmazzák. ha a kezelések száma egyenlő az ismétlésszámmal, soronként és oszloponként 1-1 lehet. mágikus és szupermágikus latin négyzetek latin tégla a kezelésszám az ismétlésszám többszöröse kell legyen
38 Normális eloszlás - család 2 paraméter: A várható érték (m) és a szórás (σ) A görbék magasságai azért különbözőek, hogy a görbe alatti terület 1 legyen (teljes valószínűség). Centrális határeloszlás tétel: Független valószínűségi változók összege aszimptotikusan normális eloszlású, ha az összeghez képest kicsik. Galton deszka
39
40 A normális eloszlás (és vizsgálata) a biológiában nagyon gyakori: - Egy-egy tulajdonságot sok genetikai és környezeti tényező határoz meg - Gyakran vizsgálunk olyan jelenséget, amit sok körülmény határoz meg -A mérési/becslési hibák általában normális eloszlásúak - Egyes statisztikai próbák megkövetelik az adatsorok normális eloszlását Standard normális eloszlás Az adatsor minden egye eleméből kivonjuk az adatsor átlagát, és elosztjuk a szórásával. Az eredmény eloszlás normális marad, de átlaga=0, szórása=1.
41 Hipotézisvizsgálatok Nullhipotézis Populáció, minta. Elméleti és tapasztalati középértékek és szóródási mutatók. Szabadsági fok A döntéshozó statisztikai próbák eredménye nem egy egyértelmű ítélet, hanem annak a valószínűsége, hogy egy nullhipotézis igaz avagy hamis. Konfidenciaintervallumok Azt az intervallumot, amelyik egy ismeretlen értéket (középérték, medián, szórás, variációs együttható, relatív gyakoriság, stb.) egy meghatározott valószínűséggel tartalmaz, megbízhatósági tartománynak vagy konfidencia-intervallumnak nevezzük.
42
43 Szignifikanciaszint általában 5% (p<0,05) első- és másodfajú hiba. Elsőfajú: elvetjük a nullhipotézist, pedig igaz. Mértéke ismert. Másodfajú: megtartjuk a nullhipotézist, pedig hamis. Mértéke ismeretlen. Nullhipotézis: az alany nem terhes. Mennyire lehet automatikasan igazodni az 5%--os határhoz? Minél jelentősebb egy felfedezés, annál erősebb alátámasztás kell. Nem életidegen a változó határ? (szerencsejáték csalás esélye)
44
45 próbák ereje Egymintás t-próba Kétmintás t-próba F-próba Maximális F, vagy Bartlett-próba Egyszempontos varianaciaanalízis elve Statisztikai próba-határozó
46 A t-eloszlás táblázata és az egymintás t-próba próbastatisztikája
47 Magyar tudomány cikk Science cikk
48 A t-eloszlás táblázata és az egymintás t-próba próbastatisztikája
49 Kétmintás t-próba n n s n s n n n n n Y Y n s n s Y Y A kapott próbastatisztika n 1 +n 2-2 szabadsági fokú t-eloszlású Ha a minták függetlenek, normális eloszlásúak és szórásaik nem különböznek szignifikánsan, tekinthetjük egyetlen minta két részének. Ez alapján a magasabb elemszám miatt jobb becslését adhatjuk a szórásnak.
50 A t-próba feltételei: Egymintás esetben: a valószínűségi változók normális eloszlásúak a mintaelemek függetlenek Kétmintás esetben ezeken felül: a két valószínűségi változó szórása azonos
51 Welsch-próba Ha a két minta varianciája nem azonos, a próbastatisztika: d= Y 1 s n Y 2 s n Ha a null-hipotézis igaz a próbastatisztika közelítőleg t-eloszlású a szabadsági fok függ a varianciák közötti különbségtől is Nem paraméteres: Mann-Whitney próba
52 F-próba Két variancia összehasonlítása a mintából kapott becslések alapján Követelmény: normális eloszlás. F= s s Mindig a nagyobbat kell a kisebbel osztani. Maximális F, Bartlett-próba
53 Egyszempontos varianciaanalízis elvi vázlata Alapja egyetlen F-próba, ami az átlagok eltérésére karakterisztikus csoportok közötti varianciát veti össze a random ingadozást leíró csoportokon belüli varianciával. Kezeléstípusok a b c d e f g Alapadatok varianciák Belső- és külső varianciák elemszámmal súlyozott sorozatának összevetése EGYETLEN F-próbával. Nem paraméteres: Kruskal-Wallis próba
54 Khi-négyzet próbával végezhető szignifikanciavizsgálatok: Homogenitásvizsgálat Összefüggésvizsgálat Illeszkedésvizsgálat Ide kéne új dia példatáblázatokkal, esetleg ábrákkal
55 A Khi 2 eloszlás táblázata Aggregációs index pl. a helyi feladat eredményének szignifikanciavizsgálatához.
56 ZH-minta feladatok Megadandó az alkalmazandó statisztikai próba neve, elvégzésének feltétele vagy feltételei, továbbá, ha a kérdés eldöntésére többféle eljárás is alkalmas, akkor ezeknek mi a rangsora. Utóbbi alatt azt értem, hogy melyik lenne a legjobb, de ha az nem végezhető valami miatt, akkor mi lenne a következő, stb. 1. A Szerencsejáték Rt. Honlapjáról letölthetők az eddigi lottóhúzások néhány statisztikája, pl. az, hogy melyik számot hányszor húzták ki eddig összesen. Hogyan lehetne megvizsgálni, nem volt-e esetleg csalás, azaz nem szerepeltek-e egyes számok az elvárhatónál szignifikánsan többször vagy kevesebbszer? 2. Egy cég új reagenst kínál, amelyről azt állítja, hogy az eddig forgalmazottnál hatékonyabban növeli egy oldat vezetőképességét (teljesen mindegy, hogy miért és hogyan, ). Milyen módszerrel (vagy módszerekkel!!!) lehet eldönteni, hogy igaz-e az állítás? 3. Egy vállalkozó olyan segédanyagot forgalmaz, mely (állítása szerint) növeli a búza terméseredményét. Milyen módszerrel (vagy módszerekkel!!!) lehet eldönteni, hogy igaz-e az állítás? 4. Kutyafajták termetét akarjuk összehasonlítani. Tételezzük fel, hogy létezik egy szempontrendszer, melynek segítségével 0-től 4-ig osztályozni lehet a megvizsgált állatokat: 0 - mini, 1 - kicsi, 2 - közepes - 3 nagy, 4 - hatalmas. Nyolc kiválasztott fajta 366 példányának eredményéből milyen statisztikai próbával lehet a fajták között meglevő méretkülönbség meglétét kimutatni avagy elvetni?
57 Adatvesztés Stewart Brand 2001: Amíg világ a világ: idő és felelősség a hosszú most órája. Vince Kiadó, Budapest könyvtári
58 - Hardverhiba (meghibásodás, eltűnés) - Hardver inkompatibilitás - Szoftver inkompatibilitás - legend hiánya Okok: Védekezés: - Biztonsági másolatok független helyeken - Szoftver nemzedékváltáskor az adatformátumot is frissíteni kell - A bárhogyan is tárolt adatokat úgy kell feliratozni/kommentálni, hogy - Sokkal később és esetleg mások számára is egyértelműen értelmezhető legyen
Kutatástervezés 1. rész, Hahn István
Kutatástervezés 1. rész, Hahn István 1. óra Adattípusok 1. A leggyakoribb változók osztályozása. A bináris változók jelentősége 3. Borításbecslés bináris mintavételi módszerrel 4. A leíró statisztika alapjai.
RészletesebbenVáltozótípusok. bináris (előnyei-hátrányai) - borításbecslés
Változótípusok Skála Definíció Példák Nominális 1.kvalitatív, nevekből áll 2.nincs rangsor ivar, betegség, fajnév, cselekvési típus, prezencia-abszencia adatok Ordinális Intervallum Arány/ hányados 1.kvalitatív,
RészletesebbenTantárgyi 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
RészletesebbenÁltalános 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
RészletesebbenMatematikai és matematikai statisztikai alapismeretek
Kézirat a Matematikai és matematikai statisztikai alapismeretek című előadáshoz Dr. Győri István NEVELÉSTUDOMÁNYI PH.D. PROGRM 1999/2000 1 1. MTEMTIKI LPOGLMK 1.1. Halmazok Halmazon mindig bizonyos dolgok
RészletesebbenSTATISZTIKA I. Tantárgykódok. Oktatók. Időbeosztás. Tematika. http://www.agr.unideb.hu/~huzsvai. 1. Előadás Bevezetés, a statisztika szerepe
Tantárgykódok STATISZTIKA I. GT_APSN018 GT_AKMN021 GT_ATVN020 1. Előadás Bevezetés, a statisztika szerepe Oktatók Előadó: Dr. habil. Huzsvai László tanszékvezető Gyakorlatvezetők: Dr. Balogh Péter Dr.
RészletesebbenMatematikai 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,
RészletesebbenNyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 6. MA3-6 modul. A statisztika alapfogalmai
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 6. MA3-6 modul A statisztika alapfogalmai SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról szóló 1999.
RészletesebbenMatematikai 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,
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..............................
RészletesebbenS a t ti a s ti z s ti z k ti a k i a i soka k s a ág Megfigyelési egység Statisztikai ismérv
Üzleti gazdaságtan Ismétlés statisztika A statisztikai alapfogalmak A statisztikaa társadalom és a gazdasági élet jelenségeinek, folyamatainak számadatok segítségével történő megismerésével, leírásával,
RészletesebbenÉrtelmezési szempontok
Értelmezési szempontok Értelmezési szempontok (Technikai és értelmező kézikönyv, 3. old.) Alapelv: a WSC-V fontos kvalitatív és kvantitatív információval szolgál a vsz. kognitív funkcióiról, ezek önmagukban
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
RészletesebbenMatematika. Specializáció. 11 12. évfolyam
Matematika Specializáció 11 12. évfolyam Ez a szakasz az eddigi matematikatanulás 12 évének szintézisét adja. Egyben kiteljesíti a kapcsolatokat a többi tantárggyal, a mindennapi élet matematikaigényes
RészletesebbenMATEMATIKA I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY A) KOMPETENCIÁK
MATEMATIKA I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY Az érettségi követelményeit két szinten határozzuk meg: - középszinten a mai társadalomban tájékozódni és alkotni tudó ember matematikai ismereteit kell
Részletesebben2013.03.11. Az SPC alapjai. Az SPC alapjai SPC 5. 5. Az SPC (Statistic Process Control) módszer. Dr. Illés Balázs
SPC 5 5. Az SPC (Statistic Process Control) módszer Dr. Illés Balázs BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM ELEKTRONIKAI TECHNOLÓGIA TANSZÉK Az SPC alapjai SPC (Statistical Process Controll) =
RészletesebbenMATEMATIKA TANTERV Bevezetés Összesen: 432 óra Célok és feladatok
MATEMATIKA TANTERV Bevezetés A matematika tanítását minden szakmacsoportban és minden évfolyamon egységesen heti három órában tervezzük Az elsı évfolyamon mindhárom órát osztálybontásban tartjuk, segítve
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
RészletesebbenAdatok 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
RészletesebbenStatisztika 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
RészletesebbenTantárgyi követelmény Szakiskola 9/E évfolyam
Tantárgyi követelmény Szakiskola 9/E évfolyam 2015/2016 TARTALOMJEGYZÉK 1. Magyar nyelv és irodalom... 3 2. Állampolgári ism.... 4 3. Erkölcstan... 5 4. Angol... 6 5. Matematika... 7 6. Természetismeret...
RészletesebbenA hazai munkahelyi étkezés értékrend alapú élelmiszerfogyasztói modellje
A hazai munkahelyi étkezés értékrend alapú élelmiszerfogyasztói modellje Dr. Fodor Mónika Budapesti Gazdasági F iskola Marketing Intézet 1165 Budapest Diósy Lajos u.22-24. fodor.monika@kkfk.bgf.hu Csiszárik-Kocsir
RészletesebbenKibernetika korábbi vizsga zárthelyi dolgozatokból válogatott tesztkérdések Figyelem! Az alábbi tesztek csak mintául szolgálnak a tesztkérdések megoldásához, azaz a bemagolásuk nem jelenti a tananyag elsajátítását
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
RészletesebbenA tanulmányok alatti vizsga vizsgaszabályzata. A vizsgaszabályzat célja, hatálya. Az értékelés rendje
A tanulmányok alatti vizsga vizsgaszabályzata A vizsgaszabályzat célja, hatálya Jelen vizsgaszabályzat az intézmény által szervezett tanulmányok alatti vizsgákra, azaz: osztályozó vizsgákra, különbözeti
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
RészletesebbenMatematikai statisztikai elemzések 6.
Matematikai statisztikai elemzések 6. Regressziószámítás: kétváltozós lineáris és nemlineáris regresszió, többváltozós regresszió Prof. Dr. Závoti, József Matematikai statisztikai elemzések 6.: Regressziószámítás:
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
RészletesebbenBiostatisztika 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
RészletesebbenNyugat-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
RészletesebbenSZENT ISTVÁN EGYETEM
SZENT ISTVÁN EGYETEM A magyar mezőgazdasági gépgyártók innovációs aktivitása Doktori (PhD) értekezés tézisei Bak Árpád Gödöllő 2013 A doktori iskola Megnevezése: Műszaki Tudományi Doktori Iskola Tudományága:
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-
RészletesebbenBánhalmi Árpád * Bakos Viktor ** MIÉRT BUKNAK MEG STATISZTIKÁBÓL A JÓ MATEKOSOK?
Bánhalmi Árpád * Bakos Viktor ** MIÉRT BUKNAK MEG STATISZTIKÁBÓL A JÓ MATEKOSOK? A BGF KKFK Nemzetközi gazdálkodás és Kereskedelem és marketing szakjain a hallgatók tanrendjében statisztikai és matematikai
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...
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
RészletesebbenMATEMATIKA. 5 8. évfolyam
MATEMATIKA 5 8. évfolyam Célok és feladatok A matematikatanítás célja és ennek kapcsán feladata: megismertetni a tanulókat az őket körülvevő konkrét környezet mennyiségi és térbeli viszonyaival, megalapozni
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Hypothesis Testing. Petra Petrovics.
Hypothesis Testing Petra Petrovics PhD Student Inference from the Sample to the Population Estimation Hypothesis Testing Estimation: how can we determine the value of an unknown parameter of a population
RészletesebbenAZ ÉPÍTÉSI MUNKÁK IDŐTERVEZÉSE
UDPESTI MŰSZKI ÉS GZDSÁGTUDOMÁNYI EGYETEM ÉPÍTÉSZMÉRNÖKI KR ÉPÍTÉSKIVITELEZÉSI és SZERVEZÉSI TNSZÉK dr. Neszmélyi László Z ÉPÍTÉSI MUNKÁK IDŐTERVEZÉSE - 2015. - Tartalom 1. EVEZETÉS... 4 2. Z ÉPÍTÉSEN
RészletesebbenEXKLUZÍV AJÁNDÉKANYAGOD A Phrasal Verb hadsereg! 2. rész
A Phrasal Verb hadsereg! 2. rész FONTOS! Ha ennek az ajándékanyag sorozatnak nem láttad az 1. részét, akkor mindenképpen azzal kezdd! Fekete Gábor www.goangol.hu A sorozat 1. részét itt éred el: www.goangol.hu/ajandekok/phrasalverbs
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
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
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,
RészletesebbenKÍSÉRLET A STATISZTIKA II. TANTÁRGY SZÁMÍTÓGÉPPEL TÁMOGATOTT TÖMEGOKTATÁSÁRA BALOGH IRÉN VITA LÁSZLÓ
KÍSÉRLET A STATISZTIKA II. TANTÁRGY SZÁMÍTÓGÉPPEL TÁMOGATOTT TÖMEGOKTATÁSÁRA A szerzők rövid cikkükben amellett érvelnek, hogy a bevezető jellegű statisztikai kurzusokban célszerűbb az Excelt használni,
RészletesebbenA PROBLÉMAMEGOLDÓ GONDOLKODÁS HELYE AZ ADATBÁZISKEZELÉS OKTATÁSÁBAN. Kupcsikné Fitus Ilona, Selmeci István SZÁMALK Zrt.
A PROBLÉMAMEGOLDÓ GONDOLKODÁS HELYE AZ ADATBÁZISKEZELÉS OKTATÁSÁBAN THE POSITION OF PROBLEM-SOLVING THINKING IN THE TEACHING OF DATABASE MANAGEMENT Kupcsikné Fitus Ilona, Selmeci István SZÁMALK Zrt. Összefoglaló
RészletesebbenMEDDŐHÁNYÓK ÉS ZAGYTÁROZÓK KIHORDÁSI
Mikoviny Sámuel Földtudományi Doktori Iskola A doktori iskola vezetője: Dr. h.c. mult. Dr. Kovács Ferenc egyetemi tanár, a MTA rendes tagja MEDDŐHÁNYÓK ÉS ZAGYTÁROZÓK KIHORDÁSI TULAJDONSÁGAINAK VIZSGÁLATA,
RészletesebbenM ANYAG FRÖCCSÖNT SZERSZÁMOK KÖLTSÉGÉT BEFOLYÁSOLÓ TÉNYEZ K
M ANYAG FRÖCCSÖNT SZERSZÁMOK KÖLTSÉGÉT BEFOLYÁSOLÓ TÉNYEZ K Mikó Balázs Budapesti M szaki F iskola Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet ABSTRACT
RészletesebbenLehet vagy nem? Konstrukciók és lehetetlenségi bizonyítások Dr. Katz Sándor, Bonyhád
Dr. Katz Sándor: Lehet vagy nem? Lehet vagy nem? Konstrukciók és lehetetlenségi bizonyítások Dr. Katz Sándor, Bonyhád A kreativitás fejlesztésének legközvetlenebb módja a konstrukciós feladatok megoldása.
Részletesebben2. előadás: További gömbi fogalmak
2 előadás: További gömbi fogalmak 2 előadás: További gömbi fogalmak Valamely gömbi főkör ívének α azimutja az ív egy tetszőleges pontjában az a szög, amit az ív és a meridián érintői zárnak be egymással
RészletesebbenSTATISZTIKA 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
RészletesebbenHalmazok. Halmazelméleti lapfogalmak, hatványhalmaz, halmazm veletek, halmazm veletek azonosságai.
Halmazok Halmazelméleti lapfogalmak, hatványhalmaz, halmazm veletek, halmazm veletek azonosságai. 1. lapfogalmak halmaz és az eleme fogalmakat alapfogalmaknak tekintjük, nem deniáljuk ket. Jelölés: x H,
RészletesebbenÚtmutató. a szakdolgozat elkészítéséhez. Szegedi Tudományegyetem Egészségtudományi és Szociális Képzési Kar. (ápoló szakirány számára)
Szegedi Tudományegyetem Egészségtudományi és Szociális Képzési Kar Útmutató a szakdolgozat elkészítéséhez (ápoló szakirány számára) 2010/2011. tanév Tartalom: Tájékoztató a szakdolgozat elkészítésének
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,
RészletesebbenT 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,
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
RészletesebbenVárosi légszennyezettség vizsgálata térinformatikai és matematikai statisztikai módszerek alkalmazásával
Pannon Egyetem Vegyészmérnöki Tudományok és Anyagtudományok Doktori Iskola Városi légszennyezettség vizsgálata térinformatikai és matematikai statisztikai módszerek alkalmazásával DOKTORI (Ph.D.) ÉRTEKEZÉS
Részletesebben10. Valószínűségszámítás
. Valószínűségszámítás.. Események A valószínűségszámítás nagyon leegyszerűsítve események bekövetkezésének valószínűségével foglalkozik. Példák: Ha egy játékban egy dobókockával dobunk, akkor a kockadobás
RészletesebbenDÖNTÉSI MODELL KIALAKÍTÁSA KÖZBESZERZÉSI ELJÁRÁS SORÁN ELŐSZÓ
Dr. Gyarmati József mk. őrnagy ZMNE BJKMK Katonai Logisztikai Minőségügyi és Közlekedésmérnöki Tanszék DÖNTÉSI MODELL KIALAKÍTÁSA KÖZBESZERZÉSI ELJÁRÁS SORÁN Absztrakt A cikk egy olyan algoritmust mutat
RészletesebbenBevezető 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
RészletesebbenTartalomjegyzék. Typotex Kiadó III. Tartalomjegyzék
III 1. Aritmetika 1 1.1. Elemi számolási szabályok............................... 1 1.1.1. Számok..................................... 1 1.1.1.1. Természetes, egész és racionális számok.............. 1
RészletesebbenExpansion of Red Deer and afforestation in Hungary
Expansion of Red Deer and afforestation in Hungary László Szemethy, Róbert Lehoczki, Krisztián Katona, Norbert Bleier, Sándor Csányi www.vmi.szie.hu Background and importance large herbivores are overpopulated
RészletesebbenPopulációbecslések 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
RészletesebbenTanmenetjavaslat 5. osztály
Tanmenetjavaslat 5. osztály 1. A természetes számok A tanmenetjavaslatokban dőlt betűvel szedtük a tananyag legjellemzőbb részét (amelyet a naplóba írunk). Kisebb betűvel jelezzük a folyamatos ismétléssel
RészletesebbenGAZDASÁGI 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
RészletesebbenMatematikai statisztikai elemzések 5.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések. MSTE modul Kapcsolatvizsgálat: asszociáció vegyes kapcsolat korrelációszámítás. Varianciaanalízis
Részletesebben1. Hazugságvizsgálat: a mikromotoros vizsgálóeljárás lényege, avagy mit kell tudni a grafométerrıl?
FARKAS LÁSZLÓ A TUDOMÁNYOS GRAFOLÓGIA NÉHÁNY TERÜLETE 1. Hazugságvizsgálat: a mikromotoros vizsgálóeljárás lényege, avagy mit kell tudni a grafométerrıl? A világon egyedülálló technikai és grafológiai
Részletesebbenö ö ö ö ő ö ö ő ö ő ő ő ö ö ő ő ö ö ő ő ű ű ő ő ö ű ő ö ö ő ö ő ö ú ő ö ű ű ő ő ö ű ő ö ö ű ű ő ö ű ő ö ö ű ű ű ű ű ű ű ö ű ő É ö ú ö ö ö ö Ő ö ö ö ö ő ö ö ő ö ö ő ö ö ő ű ö ö ö ö ö ö ő Ö ő ö ö ő ö ő ö
Részletesebbenszekely.anna@ppk.elte.hu kotyuk.eszter@ppk.elte.hu
PSZB09-109 Veres-Székely Anna, Kótyuk Eszter és Sasvári Mária Prof. (2015 őszi félév:) szekely.anna@ppk.elte.hu kotyuk.eszter@ppk.elte.hu Fogadó óra: kedd 11-12 (Izu112) sasvari.maria@med.semmelweis-univ.hu
RészletesebbenMATEMATIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Matematika emelt szint 1613 ÉRETTSÉGI VIZSGA 016. május 3. MATEMATIKA EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA Fontos tudnivalók Formai előírások:
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:
RészletesebbenANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY
ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY A feladatsor három részből áll 1. A vizsgáztató társalgást kezdeményez a vizsgázóval. 2. A vizsgázó egy szituációs feladatban vesz részt a
RészletesebbenIttfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat.
1 Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat. A statisztika tanulásához a legtöbb infomrációkat az előadásokon és számítógépes
RészletesebbenLEKÉRDEZÉSEK SQL-BEN. A relációs algebra A SELECT utasítás Összesítés és csoportosítás Speciális feltételek
LEKÉRDEZÉSEK SQL-BEN A relációs algebra A SELECT utasítás Összesítés és csoportosítás Speciális feltételek RELÁCIÓS ALGEBRA A relációs adatbázisokon végzett műveletek matematikai alapjai Halmazműveletek:
RészletesebbenIsmétlődő műveletek elvégzésének automatizálása
Ismétlődő műveletek elvégzésének automatizálása Adatfeldolgozás közben gyakran előfordul, hogy Önnek ugyanazt, az elemi lépésekből álló, összetett műveletsort kell sokszor, esetleg nagyon sokszor és ami
RészletesebbenCsak precízen Drónok a tápanyagutánpótlás és a növényvédelem szolgálatában Alapadatbázis létrehozása precíziós szántóföldi mezőgazdasági rendszer üzemeltetéséhez- Ifj. Bűdi Károly Agro-Tár Kft Agro-Tár
RészletesebbenCsicsman 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
RészletesebbenA TANTÁRGYTÖMBÖSÍTETT OKTATÁS BEVEZETÉSÉNEK KIDOLGOZÁSA
TÁOP 3.1.4-08/2-2009-0176 Kompetencia alapú oktatás, egyenlı hozzáférés megteremtése a pétervásárai Tamási Áron Általános Iskolában PEDAGÓGUSOK FEJLESZTÉSI INNOVÁCIÓS TEVÉKENYSÉGÉNEK TÁOGATÁSA A TANTÁRGYTÖBÖSÍTETT
RészletesebbenMATEMATIKA ÉRETTSÉGI VIZSGA ÁLTALÁNOS KÖVETELMÉNYEI
A vizsga formája Középszinten: írásbeli. Emelt szinten: írásbeli és szóbeli. MATEMATIKA ÉRETTSÉGI VIZSGA ÁLTALÁNOS KÖVETELMÉNYEI A matematika érettségi vizsga célja A matematika érettségi vizsga célja
Részletesebbenő ü ő ü ő ü ő Ő ü ő ú ő ű ü ú ő ű ű ű ú ű ő ő ő ő ő Ó Á Á ő ő ő ő ő ő ő ő Ó Ó ü ő ő ő ő ő ő ő ü ő ü ő ü ü ü ü ü ő Á ő ő ő ő ő ő ő ő ő ő ü ő ü ü ő ű ő ü ő ő ü ő ő ő ü ű ű ű ű ű ú ű ú ű ú ü É ü ő É ű ő ű
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
RészletesebbenMatematika emelt szint a 11-12.évfolyam számára
Német Nemzetiségi Gimnázium és Kollégium Budapest Helyi tanterv Matematika emelt szint a 11-12.évfolyam számára 1 Emelt szintű matematika 11 12. évfolyam Ez a szakasz az érettségire felkészítés időszaka
RészletesebbenAgrár-környezetvédelmi Modul Agrár-környezetvédelem, agrotechnológia. KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc
Agrár-környezetvédelmi Modul Agrár-környezetvédelem, agrotechnológia KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc A művelést segítő szenzorok és monitorok I. 139.lecke Globális helymeghatározás
Részletesebbenhogy a megismert fogalmakat és tételeket változatos területeken használhatjuk Az adatok, táblázatok, grafikonok értelmezésének megismerése nagyban
MATEMATIKA Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről. A matematika
RészletesebbenÉ Ő É É Á É Á Ü Ú ű Á ü Á ú ü ú ü Á Á Ú Ü ü ű ú ü ú Ü ű Ü ü ü ű ü ü ű ű ü ü ü ü ü ü ú ü ü ú ű ü ü ü ü ü ü ú Ü ü ü Á Ü ú ü ú ü ü ü ü ü ü ú ü Ú ú ü ü ü ü ú ú ű ú ü ü ú ű ü ü É ú ü ü ü ü ú Á ü ü É Á ü ü ü
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
RészletesebbenÁtrendezések és leszámlálások ÚTMUTATÓ Hegedüs Pál 1-2015.június 30.
Átrendezések és leszámlálások ÚTMUTATÓ Hegedüs Pál 1-2015.június 30. 1. Határozzuk meg, hány egybevágósága van egy négyzetnek! Melyek azonos jellegűek ezek között? Ez egy általános bevezető feladat tud
RészletesebbenDOKTORI (PhD) ÉRTEKEZÉS TÉZISEI KAPOSVÁRI EGYETEM
DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR Gazdálkodás- és Szervezéstudományok Doktori Iskola Doktori Iskola vezetője: DR. KEREKES SÁNDOR MTA doktora Témavezető: DR. BERTALAN
Részletesebben52 524 01 0100 31 01 Nyomástartóedény-gépész Kőolaj- és vegyipari géprendszer üzemeltetője
A 0/007 (. 7.) SzMM rendelettel módosított /006 (. 7.) OM rendelet Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről alapján. Szakképesítés, szakképesítés-elágazás,
RészletesebbenAngol C1 3 1 089. A javaslattevő alapadatai. Oxford University Press. A nyelvi képzésre vonatkozó adatok
Angol C1 3 1 089 nyelvi programkövetelmény A javaslattevő alapadatai Javaslatot benyújtó neve Oxford University Press A nyelvi képzésre vonatkozó adatok Nyelv megnevezése Nyelvi képzés szintje Nyelvi képzés
RészletesebbenA TÁRKI ADATFELVÉTELEINEK DOKUMENTUMAI. Háztartás Monitor. A kutatás dokumentációja
A TÁRKI ADATFELVÉTELEINEK DOKUMENTUMAI Háztartás Monitor 2003 A kutatás dokumentációja Háztartás Monitor 2003 3 Bevezetés Bevezetés A 2003 évi TÁRKI Háztartás Monitor kutatás egy olyan, 1992 óta folyó
RészletesebbenCOMENIUS ANGOL-MAGYAR KÉT TANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA MATEMATIKA TANMENET
COMENIUS ANGOL-MAGYAR KÉT TANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA MATEMATIKA TANMENET 5. osztály 2015/2016. tanév Készítette: Tóth Mária 1 Tananyagbeosztás Évi óraszám: 144 óra Heti óraszám: 4 óra Témakörök:
RészletesebbenEsetelemzések 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
RészletesebbenA szőlő- és gyümölcsös-ültetvények teljes körű felmérése és megújúló statisztikája
Magyar Agrárinformatikai Szövetség Hungarian Association of Agricultural Informatics Agrárinformatika Folyóirat. 2010. 1. évfolyam 1. szám Journal of Agricultural Informatics. 2010 Vol. 1, No. 1 A szőlő-
RészletesebbenKádár István 1 Dr. Nagy László 1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem,
TANULSÁGOK A NYÍRÓSZILÁRDSÁGI PARAMÉTEREK STATISZTIKAI ÉRTÉKELÉSÉBŐL LESSONS OF THE STATISTICAL EVALUATION OF SHEAR STRENGTH PARAMETERS Kádár István 1 Dr. Nagy László 1 1 Budapesti Műszaki és Gazdaságtudományi
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenMatematika 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
RészletesebbenMATEMATIKA Kiss Árpád Országos Közoktatási Szolgáltató Intézmény Vizsgafejlesztő Központ
MATEMATIKA Kiss Árpád Országos Közoktatási Szolgáltató Intézmény Vizsgafejlesztő Központ I. RÉSZLETES ÉRETTSÉGI VIZSGAKÖVETELMÉNY Az érettségi követelményeit két szinten határozzuk meg: középszinten a
RészletesebbenHORVÁTH GÉZÁNÉ * A hazai készletmodellezés lehetőségei az Európai Unióban
HORVÁTH GÉZÁNÉ * A hazai készletmodellezés lehetőségei az Európai Unióban Possibilities of Hungarian Inventory Modelling in European Union The Economic Order Quantity (EOQ) Model was the first inventory
RészletesebbenTörténeti áttekintés
Történeti áttekintés Előzmények A számítástechnika kezdetén elterjedt (egyeduralkodó) volt a mérnökpult használata, a gép és az ember kommunikációja bináris nyelven zajlott. A gépi kódú programozás nem
Részletesebben