A MATLAB R programcsomag alkalmazása valószínűségszámítási és statisztikai feladatokhoz. Tóth László
|
|
- Fanni Borosné
- 7 évvel ezelőtt
- Látták:
Átírás
1 A MATLAB R programcsomag alkalmazása valószínűségszámítási és statisztikai feladatokhoz Tóth László
2 MATLAB R bevezető 1.
3 MATLAB R bevezető 2. Mátrix létrehozása és invertálása: >> A=[1 2; 3 4] A = >> inv(a) ans = Tömb feltöltése: >> s1=[1:10] s1 =
4 Binomiális eloszlás számítása 2. Jelölje X egy p valószínűségű A esemény bekövetkezéseinek számát. Ekkor X eloszlása binomiális: ( ) n p k = P(X = k) = p k (1 p) n k, k = 0, 1,..., n. k p k -t értékét adja meg binopdf(k,n,p) a függvény. BINOPDF - Binomial probability density function Az eloszlásfüggvény F (x) = p k, 0 k x < x < értékét binocdf(x,n,p) adja meg (Binomial cumulative distribution function)
5 Binomiális eloszlás számítása 1. Az eloszlásfüggvény F 1 (s) 0 s 1 inverze bioinv(s,n,p). A várható értéket és a szórásnégyzetet [kozep,variacia]=binostat(n,p) adja meg. Hasonló függvények léteznek a fontos diszkrét és folytonos eloszlásokra. geopdf(k,p), hygepdf(k,n,m,n), nbinpdf(k,r,p), poissonpdf(k,lampda), unidpdf(k,n) betapdf(x,a,b), unifpdf(x,a,b), evpdf(x,mu,sigma), lognpdf(x,mu,sigma), raylpdf(x,c), wblpdf(x,a,b)
6 1. Példa Egy gyárban egy minőségellenőr napi 400 terméket vizsgál meg. Tudjuk, hogy a termékek a (gyártástechnológiákól adódóan 1%-ban hibásak. Mi a valószínűsége, hogy az ellenőr egy adott nap egy hibásat sem talál? Binomiális eloszlás, n = 400, p = 0.01, k = 0 paraméterekkel! >> p=binopdf(0,400,0.01) p =
7 2. Példa Hány hibás termék találása a legvalószínűbb? Megvizsgáljuk k összes szóbajöhető értékét, és ezek közül kiválasztjuk a legnagyobb valószínűségűt, és kiolvassuk a hozzájuk tartozó k-t. >> hibasak=0:400; >> y = binopdf(hibasak,400,.01); >> [x,i]=max(y); >> db=hibasak(i) db = 4
8 3. Példa Ha egy focicsapat egy idényben 90 mérkőzést játszik, és bármelyiken 50% a nyerési esély, mi a valószínűsége, hogy 55-nál több mérkőzést nyer? >> p2=1-binocdf(55,90,0.5) p2 = Az esetek túlnyomó többségében (98%) milyen intervallumban mozog a nyert mérkőzések száma? >> i=binoinv([ ],90,0.5) i = 34 56
9 Részlet a dokumentációból 1.
10 Hipergeometriai eloszlás - 4. Példa Hipergeometriai eloszlás sűrűségfüggvénye: ( K )( M K ) x p(x = x) = N x ( M N) Kiszámítása: p=hygecdf(x,m,k,n) Van 80 külsőre egyforma merevlemezünk, melyek közül 25 hibás. Ha kiválasztunk 15 darabot, mi a valószínűsége, hogy 0..5 hibás lesz köztük? >> p=hygepdf(0:5,80,25,15) p =
11 Eloszlások ábrázolása - 5. példa Generáljunk 500 elemű mintát n = 20, p = 0.3 paraméterű binomiális eloszlásból (úgy, hogy annak a véletlen kísérlettel való definiálását használjuk)! Ábrázoljuk együtt az empirikus és az elméleti eloszlást! >> X=rand(20,500); >> y=sum(x<0.3);[n,z]=hist(y,0:20); >> figure,bar(0:20,binopdf(0:20,20,0.3)), hold on; >> plot(z,n./500, r* );
12 >> X=rand(20,500); >> y=sum(x<0.3);[n,z]=hist(y,0:20); >> figure,bar(0:20,binopdf(0:20,20,0.3)), hold on; >> plot(z,n./500, r* );
13 Normális eloszlás - 6. Példa A µ várható értékű, σ szórású normális eloszlású X sűrűségfüggvénye: f (x) = 1 ) ( σ 2π exp (x µ)2 2σ 2, < x < Ezen f (x) előállítása: normpdf(x,mu,sigma). Azonos várható értékű, különböző szórású normális eloszások előállítása: figure; % azonos varhato erteku normalis plot(-4:0.05:4,normpdf(-4:0.05:4,0,0.7), r- );hold on; plot(-4:0.05:4,normpdf(-4:0.05:4,0,1), g-- );hold on; plot(-4:0.05:4,normpdf(-4:0.05:4,0,1.5), k- );
14 Részlet a dokumentációból 2.
15 figure; % azonos varhato erteku normalis plot(-4:0.05:4,normpdf(-4:0.05:4,0,0.7), r- );hold on; plot(-4:0.05:4,normpdf(-4:0.05:4,0,1), g-- );hold on; plot(-4:0.05:4,normpdf(-4:0.05:4,0,1.5), k- );
16 Empirikus jellemzők számítása mintákból Szokásos jellemzők: mean,median,var,std, átlag, medián, várható érték, szórásnégyzet range,skewness,kurtosis,cov terjedelem, ferdeség, lapultság, kovariancia További jellemzők: iqr : empirikus kvartilisek távolsága (25% és 75%-os kvartilisek távolsága) prctile(x,p) : az X empirikus p-kvantilise, azaz azon mintaelem, amelynél a mintaelemek éppen p%-a kisebb-egyenlő. trimmean(x,p) : olyan számtani közép, melyben a minta alsó és felső (p/2)%-át nem vesszük figyelembe. corrcoef : empirikus korrelációs mátrix
17 7. Példa Generáljunk 299 elemű mintát a [ 1, 1] intervallumon egyenletes, valamint a (0, 1/ 3) paraméterű normális eloszlásból! Ezek elméleti várható értékei és szórásai megegyeznek. Az empirikus jellemzők egy része csak kicsit fog eltérni, viszont a két minta függetlensége miatt kicsi korrelációt kell kapnunk x=unifrnd(-1,1,299,1); y=normrnd(0,1/(sqrt(3)),299,1); z=[x y]; kozep=mean(z), csonkakozep=trimmean(z,10), medi=median(z), mertanikozep=geomean(abs(z)), variancia=var(z), szoras=std(z), interkvar=iqr(z), terjedelem=range(z), m4=moment(z,4), lapultsag=kurtosis(z), ferdeseg=skewness(z), alkvantilis=prctile(z,5), felkvantilis=prctile(z,95), kovariancia=cov(z), korrelacio=corrcoef(z)
18 Számított empirikus jellemzők 1. kozep = medi = csonkakozep = mertanikozep = variancia = szoras = terjedelem = interkvar =
19 Számított empirikus jellemzők 2. m4 = lapultsag = ferdeseg = alkvantilis = felkvantilis = kovariancia = korrelacio =
20 8. Példa - Statisztikai próbák 1. Legyen x 100 elemű minta standard normális eloszlásból, és y 100 elemű minta egyenletes eloszlásból úgy, hogy az elméleti várható értékek, illetve szórások megegyezzenek. Vizsgálódjunk 95%-os szinten! Ellenőrizzük Wilcoxon-féle rangösszeg próbával, hogy x és y azonos eloszlásból származik-e! >> x=normrnd(0,1,100,1); m=mean(x), s=std(x); >> y=unifrnd(-sqrt(3),sqrt(3),100,1); >> [pranksum,hranksum]=ranksum(x,y,0.05) pranksum = hranksum = 0 Láthatjuk, hogy a próba nem tudta megkülönböztetni a két eloszlást (a próba főleg eltolásra érzékeny).
21 9. Példa - Statisztikai próbák 2. Ellenőrizzük u próbával, hogy a H 0 : E(x) = 0 hipotézis igaz-e? [hztest,sigztest,ciztest]=ztest(x,0,1,0.05) hztest = 0 sigztest = ciztest = Az u próba a hipotézist elfogadta.
22 Előző példa folytatása Ábrázoljuk az u statisztika, valamint az alsó és felső kritikus értékek elhelyezkedését. u1=norminv(0.975,0,1); a=u1:0.02:4; figure; plot(-4:0.02:4, normpdf(-4:0.02:4,0,1), k- ); hold on; fill([-u1 -a],[0 normpdf(-a)], c ); fill([u1 a], [0 normpdf(a)], c ); u=m*sqrt(50); plot(u,0:0.025:0.5, k* );
23 A besatírozott részek mutatják, hogy hová kéne esnie ahhoz az u statisztikának, hogy 0.05 szinten elvessük H 0 -at.
24 10. Példa - Statisztikai próbák 3. Generáljunk egy új z mintát normális eloszlásból, és ellenőrizük kétmintás t-próbával, hogy a H 0 : E(x) = E(z) igaz-e? [httest2,sigttest2,cittest2]=ttest2(x,z,0.05) httest2 = 0 sigttest2 = cittest2 =
25 Szórásanalízis - egyszeres ANOVA Három különböző takarmány hatását mérték 9,6, illetve 8 kísérleti állaton. Egyetlen tényezőként a takarmányt vizsgáljuk, aminek 3 szintje van. x=... [ ]; szam=... [ ]; Az x vektorban tároljuk a tömegnövekedéseket A szam vektorban adjuk meg. hogy melyik mintalelem hányas számú takarmányhoz tartozik.
26 szor=[1 1 1]; for i=1:3 szor(i)=var(x(szam==i)); figure, hist(x(szam==i),3); figure, normplot(x(szam==i)); end; p=anova1(x, szam); Eredményül a fenti szorzófelbontó táblát kapjuk A {Prob>F}=p=.0002 az jelenti, hogy elvetjük a takarmányok egyforma hatását.
27 Boxplot is keletkezik, a szintek eltérő hatása innen is látszik.
28 Főkomponens analízis Generáljunk 1000 elemű mintát kétdimenziós normális eloszlásból, és ábrázoljuk a két főkomponenst! m=1000; D2=[4 1; 1 2]; X2=mvnrnd(zeros(2,1),D2,m); [Fi2,Fk2,Saj2,Hott2]=princomp(X2); v=zeros(2,301); figure; axis([ ]); hold on; plot(x2(:,1),x2(:,2), c. );hold on; for i=1:2 for j=1:2 v(j,:)=(0:fi2(j,i)/100:3*fi2(j,i))*sqrt(saj2(i)); end plot(v(1,:),v(2,:), b- ); hold on; end;
29
30 Főkomponens analízis folytatás Generáljuk adott szórásmátrixú 3-dimenziós normális eloszlásból 150 elemű mintát! Becsüljük a főkomponenseket a mintából! Az [Fi,Fk,Saj,Hott]=princomp(X) az X minta mátrix főirányait (Fi), főkomponenseit (Fk), sajátértékeit (Saj), és a Hotelling-féle T 2 statisztikát adja meg. A [pc,var,exlp]=pcacov(d) a megadott D elméleti szórásmátrix esetén számítja ki a főirányokat, a szórás mátrix sajátértékeit, és azt, hogy az egyes főkomponensek a szórás hány százalékát magyarázzák. A k főkomponens levonása utáni maradékot a maradek=pcares(x,k) adja meg.
31 >> n=150; a1=[1-1 1] ; >> a1=a1./sqrt(3); a2=[1 0-1] ; a2=a2./sqrt(2); >> a3=[1 2 1] ; a3=a3./sqrt(6); A=[a1 a2 a3]; >> D=A*diag([ ])*A ; X=mvnrnd(zeros(3,1),D,n); >> [Fi,Fk,Saj,Hott]=princomp(X); >> maradek=pcares(x,2); >> [pc,var,expl]=pcacov(d); Az eredményül kapott főirányok és sajátértékek: >> Fi = >> Saj =
32 pc = var = expl =
33 Irodalom MATLAB - Frissített kiadás Numerikus módszerek, grafika, statisztika, eszköztárak Stoyan Gisbert (szerk.) TypoTeX 2005, Alkalmazott matematika sorozat Statistical Analysis Techniques in Particle Physics: Fits, Density Estimation, and Supervised Learning Narsky / Porter Wiley-VCH Verlag GmbH, 2013 Probability, Statistics, and Random Processes for Engineers, 4e Stark / Woods Pearson Education Inc, 2012 Nonparametric Statistics with Applications to Science and Engineering Kvam / Vidakovic John Wiley & Sons, Inc. 2007
34 Köszönöm a figyelmet!
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 12 XII. STATIsZTIKA ellenőrző feladatsorok 1. FELADATsOR Megoldások: láthatók nem láthatók 1. minta: 6.10, 0.01, 6.97, 6.03, 3.85, 1.11,
RészletesebbenSz ekelyhidi L aszl o Val osz ın us egsz am ıt as es matematikai statisztika *************** Budapest, 1998
Székelyhidi László Valószínűségszámítás és matematikai statisztika *************** Budapest, 1998 Előszó Ez a jegyzet a valószínűségszámításnak és a matematikai statisztikának azokat a fejezeteit tárgyalja,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 5 V. BECsLÉsELMÉLET 1. STATIsZTIKAI becslés A becsléselméletben gyakran feltesszük, hogy a megfigyelt mennyiségek független valószínűségi
RészletesebbenFeladatok diszkriminancia anaĺızisre
Feladatok diszkriminancia anaĺızisre. A normált Fisher-féle lineáris diszkriminancia függvény a osztály esetén használatos alakja: az osztályozási kritérium: Lx c µ µ T Σ x µ ahol c µ T Σ µ µ ha Lx > Lµ
RészletesebbenElemi statisztika fizikusoknak
Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu 1. oldal 7. előadás Becslések és minta elemszámok 7-1 Áttekintés 7-2 A populáció arány becslése 7-3 A populáció átlag
RészletesebbenKockázatkezelés és biztosítás
Kockázatkezelés és biztosítás Dr. habil. Farkas Szilveszter PhD egyetemi docens, tanszékvezető Pénzügy Intézeti Tanszék Témák 1. Kockáztatott eszközök 2. Károkozó tényezők (vállalati kockázatok) 3. Holisztikus
Részletesebben- mit, hogyan, miért?
- mit, hogyan, miért? Dr. Bélavári Csilla VITUKI Nonprofit Kft., Minőségbiztosítási és Ellenőrzési Csoport c.belavari@vituki.hu 2011.02.10. 2010. évi záróértekezlet - VITUKI, MECS 1 I. Elfogadott érték
RészletesebbenGazdasági matematika II.
PÉNZÜGYI ÉS SZÁMVITELI KAR MESTERKÉPZÉSI ÉS TÁVOKTATÁSI KÖZPONT 1149 BUDAPEST, BUZOGÁNY U. 10-12. : 06-1-469-6600 I. évfolyam TANTÁRGYI ÚTMUTATÓ Gazdasági matematika II. 2013/2014. II. félév PÉNZÜGYI ÉS
RészletesebbenStatisztika 2016. március 11. A csoport Neptun kód
Statisztika 2016. március 11. A csoport Név Neptun kód 1. Egy közösségben az élelmiszerre fordított kiadások az alábbiak szerint alakultak: osszeg (ezer Ft) csalad(db) 20 7 20:1 30 12 30:1 40 20 40:1 50
RészletesebbenElemi statisztika fizikusoknak
Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu 1. oldal 6. Előadás A normális eloszlás 6-3 A normális eloszlás alkalmazásai 6-4 Statisztikák eloszlása és becslő függvények
RészletesebbenTANTÁRGYI ÚTMUTATÓ. Gazdasági matematika II. tanulmányokhoz
I. évfolyam BA TANTÁRGYI ÚTMUTATÓ Gazdasági matematika II. tanulmányokhoz TÁVOKTATÁS 2014/2015-ös tanév II. félév A KURZUS ALAPADATAI Tárgy megnevezése: Gazdasági matematika II. (Valószínűségszámítás)
Részletesebben4. előadás. Statisztikai alkalmazások, Trendvonalak, regresszió. Dr. Szörényi Miklós, Dr. Kallós Gábor
4. előadás Statisztikai alkalmazások, Trendvonalak, regresszió Dr. Szörényi Miklós, Dr. Kallós Gábor 2013 2014 1 Tartalom Statisztikai alapfogalmak Populáció, mérési skálák, hisztogram Alapstatisztikák:
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
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 11. Hipotézisvizsgálat, statisztikai tesztek Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés Hipotézis, hibák 2 Statisztikai tesztek u-próba
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek megoldásához!
RészletesebbenA fiatalok pénzügyi kultúrája Számít-e a gazdasági oktatás?
A fiatalok pénzügyi kultúrája Számít-e a gazdasági oktatás? XXXII. OTDK Konferencia 2015. április 9-11. Készítette: Pintye Alexandra Konzulens: Dr. Kiss Marietta A kultúrától a pénzügyi kultúráig vezető
RészletesebbenDr. BALOGH ALBERT: AZ ÚJ STATISZTIKAI TERMINOLÓGIA
Dr. BALOGH ALBERT: AZ ÚJ STATISZTIKAI TERMINOLÓGIA 1 Az ISO 3534-1 és 3534-2: 2006 szabványok ismertetése Az ISO 3534 szabványsorozat- Szótár és jelölések- tagjai: 1. ISO 3534-1: Statisztikai és fogalmak(2006)
RészletesebbenReiz Beáta. 2006 április
Babes - Bolyai Tudomány Egyetem Matematika Informatika Kar Informatika Szak 2006 április 1 2 (GM) Definíció: olyan gráf, melynek csomópontjai valószínűségi változók élei ezen változók közti függőségi viszonyokat
RészletesebbenMATLAB. 4. gyakorlat. Lineáris egyenletrendszerek, leképezések
MATLAB 4. gyakorlat Lineáris egyenletrendszerek, leképezések Menetrend Kis ZH MATLAB függvények Lineáris egyenletrendszerek Lineáris leképezések Kis ZH pdf MATLAB függvények a szkriptekhez hasonlóan az
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
RészletesebbenDr. Balogh Albert: A statisztikai adatfeldolgozás néhány érdekessége
Dr. Balogh Albert: A statszta adatfeldolgozás éháy érdeessége Kérdése:. Hogya becsüljü a tapasztalat eloszlásfüggvéyt? 2. M az a redezett mta? 3. M az a medá rag és mlye becslése vaa?. Hogya becsüljü a
RészletesebbenWALTER-LIETH LIETH DIAGRAM
TBGL0702 Meteorológia és klimatológia II. Bíróné Kircsi Andrea Egyetemi tanársegéd DE Meteorológiai Tanszék [ C] A diagram fejlécében fel kell tüntetni: - az állomás nevét, - tengerszint feletti magasságát,
RészletesebbenA Hozzárendelési feladat megoldása Magyar-módszerrel
A Hozzárendelési feladat megoldása Magyar-módszerrel Virtuális vállalat 2013-2014/1. félév 3. gyakorlat Dr. Kulcsár Gyula A Hozzárendelési feladat Adott meghatározott számú gép és ugyanannyi független
RészletesebbenKhi-négyzet próbák. Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet
Khi-négyzet próbák Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Khi-négyzet próba Példa Az elleni oltóanyagok különböző típusainak hatását vizsgálták abból a szempontból, hogy
RészletesebbenIlleszkedésvizsgálat
Slide 1 Illeszkedésvizsgálat (kategória értékű változóra) Freedman: 28. fejezet 1-3. Egy képzeletbeli országban 10M ember lakik: 30% szőke, 10% barna, 60% fekete. Slide 2 N = 200 fős mintát vettünk, a
RészletesebbenA mérési eredmény hibája
HIBASZÁMÍTÁS A mérési eredmény hibája A mérési eredmény hibája Hiba: A kísérlet jól meghatározott (reprodukálható) körülmények között játszódik le, lefolyását azonban sok apró, külön-külön nehezen figyelembe
RészletesebbenMAGISTER GIMNÁZIUM TANMENET 2012-2013 11. OSZTÁLY
MAGISTER GIMNÁZIUM TANMENET 2012-2013 11. OSZTÁLY Heti 3 óra Évi 111 óra Készítette: Ellenőrizte: Literáti Márta matematika tanár.. igazgató Másodfokú egyenletek. Ismétlés 1. óra: Másodfokú egyenletek,
RészletesebbenAzonosító jel: Matematika emelt szint
I. 1. Hatjegyű pozitív egész számokat képezünk úgy, hogy a képzett számban szereplő számjegy annyiszor fordul elő, amekkora a számjegy. Hány ilyen hatjegyű szám képezhető? 11 pont írásbeli vizsga 1012
Részletesebben1. Írja fel prímszámok szorzataként a 420-at! 2. Bontsa fel a 36 000-et két részre úgy, hogy a részek aránya 5 : 4 legyen!
1. Írja fel prímszámok szorzataként a 40-at! 40 =. Bontsa fel a 36 000-et két részre úgy, hogy a részek aránya 5 : 4 legyen! A részek: 3. Egy sejttenyészetben naponta kétszereződik meg a sejtek száma.
RészletesebbenStatisztikai alapismeretek (folytatás)
Statisztikai alapismeretek (folytatás) 3. elıadás (5-6. lecke) Az alapsokaság fıbb jellemzıi () 5. lecke Folytonos változó megoszlásának jellemzése A sokasági átlag és szórás Átlag és szórás tulajdonságai
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
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.
RészletesebbenKombinatorika. 9. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Kombinatorika p. 1/
Kombinatorika 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kombinatorika p. 1/ Permutáció Definíció. Adott n különböző elem. Az elemek egy meghatározott sorrendjét az adott
RészletesebbenÉrettségi feladatok Algoritmusok egydimenziós tömbökkel (vektorokkal) 1/6. Alapműveletek
Érettségi feladatok Algoritmusok egydimenziós tömbökkel (vektorokkal) 1/6 A tömbök deklarálásakor Pascal és C/C++ nyelvekben minden esetben meg kell adni az indexelést (Pascal) vagy az elemszámot (C/C++).
RészletesebbenOsztályozó és Javító vizsga témakörei matematikából 9. osztály 2. félév
Osztályozó és Javító vizsga témakörei matematikából 9. osztály 2. félév IV. Háromszögek, négyszögek, sokszögek Pontok, egyenesek, síkok és ezek kölcsönös helyzete Néhány alapvető geometriai fogalom A háromszögekről.
RészletesebbenJelek tanulmányozása
Jelek tanulmányozása A gyakorlat célja A gyakorlat célja a jelekkel való műveletek megismerése, a MATLAB környezet használata a jelek vizsgálatára. Elméleti bevezető Alapműveletek jelekkel Amplitudó módosítás
RészletesebbenBevezetés az ökonometriába
Az idősorelemzés alapjai Gánics Gergely 1 gergely.ganics@freemail.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Tizedik előadas Tartalom 1 Alapfogalmak, determinisztikus és sztochasztikus megközelítés
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I 10 X DETERmINÁNSOk 1 DETERmINÁNS ÉRTELmEZÉSE, TULAJdONSÁGAI A másodrendű determináns értelmezése: A harmadrendű determináns értelmezése és annak első sor szerinti kifejtése: A
RészletesebbenÉpületvillamosság laboratórium. Villámvédelemi felfogó-rendszer hatásosságának vizsgálata
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamos Energetika Tanszék Nagyfeszültségű Technika és Berendezések Csoport Épületvillamosság laboratórium Villámvédelemi felfogó-rendszer hatásosságának
Részletesebben2016.03.16. Az előadás témakörei. A minőség fogalma. Alapfogalmak definíciói A minőségügy fejlődési lépcsői A minőség forrásai A minőséghurok
2016.03.16. A MINŐSÉG FOGALMA, A MINŐSÉGBIZTOSÍTÁSI ELVEK ÉS RENDSZEREK FEJLŐDÉSE BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM ELEKTRONIKAI TECHNOLÓGIA TANSZÉK Az előadás témakörei Alapfogalmak definíciói
RészletesebbenMBLK12: Relációk és műveletek (levelező) (előadásvázlat) Maróti Miklós, Kátai-Urbán Kamilla
MBLK12: Relációk és műveletek (levelező) (előadásvázlat) Maróti Miklós, Kátai-Urbán Kamilla Jelölje Z az egész számok halmazát, N a pozitív egészek halmazát, N 0 a nem negatív egészek halmazát, Q a racionális
RészletesebbenMÁTRIXOK SAJÁTÉRTÉKEINEK ÉS SAJÁTVEKTORAINAK KISZÁMÍTÁSA. 1. Definíció alkalmazásával megoldható feladatok
Bevezetés: MÁTRIXOK SAJÁTÉRTÉKEINEK ÉS SAJÁTVEKTORAINAK KISZÁMÍTÁSA Jelölés: A mátrix sajátértékeit λ 1, λ 2, λ 3,.stb. betűkkel, míg a különböző sajátvektorokat x 1, x 2, x 3 stb. módon jelöljük Definíció:
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
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.
RészletesebbenVASÚTI PÁLYA DINAMIKÁJA
VASÚTI PÁLYA DINAMIKÁJA Dynamics of the railway track Liegner Nándor BME Út és Vasútépítési Tanszék A vasúti felépítmény szerkezeti elemeiben ébredő igénybevételek A Zimmermann Eisenmann elmélet alapján
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
Részletesebben3. Egy szabályos dobókockát kétszer feldobva mennyi annak a valószínűsége, hogy a dobott számok különbségének abszolutértéke nagyobb mint 4?
1. Kombinatorikus valószínűség 1. Egy dobókockát kétszer feldobunk. a) Írjuk le az eseményteret! b) Mennyi annak a valószínűsége, hogy az első dobás eredménye nagyobb, mint a másodiké?. Mennyi a valószínűsége
RészletesebbenBaran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70
Valószínűségszámítás és matematikai statisztika Baran Ágnes Gyakorlat MATLAB Baran Ágnes Gyakorlat 1 / 7 Véletlenszám generátorok randi(n,n,m) n m pszeudorandom egész szám az [1, N]-en adott diszkrét egyenletes
RészletesebbenA KUTATÁSMÓDSZERTAN MATEMATIKAI ALAPJAI MA. T.P.Lenke
A KUTATÁSMÓDSZERTAN MATEMATIKAI ALAPJAI MA T.P.Lenke 2013.10.25. 2 Szignifikáns különbség Annak bizonyítása, hogy a vizsgálat során megfigyelt különbség egy általunk meghatározott valószínűségi szinten
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
RészletesebbenFeladatlap. I. forduló
Feladatlap a Ki Mit Tud a statisztika világáról szakmai versenyhez I. forduló 2010. szeptember 14. 1. feladat (12 pont) A vállalkozás beszerzéseinek adatai Mennyiség Egységár (Ft/db) (db) megoszlása (%)
RészletesebbenA hasznos élettartamot befolyásoló egyes tényezők elemzése a Tedej Zrt. holstein-fríz állományánál
Hódmezővásárhely 2015 DEBRECENI EGYETEM AGRÁRTUDOMÁNYI KÖZPONT MEZŐGAZDASÁG,- ÉLELMISZERTUDOMÁNYI ÉS KÖRNYEZETGAZDÁLKODÁSI KAR ÁLLATTENYÉSZTÉSTANI TANSZÉK Tanszékvezető: Prof. Dr. Komlósi István egyetemi
RészletesebbenB1: a tej pufferkapacitását B2: a tej fehérjéinek enzimatikus lebontását B3: a tej kalciumtartalmának meghatározását. B.Q1.A a víz ph-ja = [0,25 pont]
B feladat : Ebben a kísérleti részben vizsgáljuk, Összpontszám: 20 B1: a tej pufferkapacitását B2: a tej fehérjéinek enzimatikus lebontását B3: a tej kalciumtartalmának meghatározását B1 A tej pufferkapacitása
RészletesebbenKooperáció és intelligencia
Kooperáció és intelligencia Tanulás többágenses szervezetekben/2 Tanulás több ágensből álló környezetben -a mozgó cél tanulás problémája (alapvetően megerősítéses tanulás) Legyen az ágens közösség formalizált
Részletesebben2004. december 1. Irodalom
LINEÁRIS LEKÉPEZÉSEK I. 2004. december 1. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják a jegyzetben: Szabó László:
RészletesebbenCsoportosított adatok megjelenítése sorhalmaz függvények használatával
Csoportosított adatok megjelenítése sorhalmaz függvények használatával Célkitűzés A használható sorhalmaz függvények azonosítása A sorhalmaz függvények használatának leírása Adatok csoportosítása a GROUP
RészletesebbenAnalízis elo adások. Vajda István. 2012. október 3. Neumann János Informatika Kar Óbudai Egyetem. Vajda István (Óbudai Egyetem)
Vajda István Neumann János Informatika Kar Óbudai Egyetem / 40 Fogalmak A függvények értelmezése Definíció: Az (A, B ; R ) bináris relációt függvénynek nevezzük, ha bármely a A -hoz pontosan egy olyan
Részletesebbenkonfidencia-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
RészletesebbenMágneses szuszceptibilitás vizsgálata
Mágneses szuszceptibilitás vizsgálata Mérést végezte: Gál Veronika I. A mérés elmélete Az anyagok külső mágnesen tér hatására polarizálódnak. Általában az anyagok mágnesezhetőségét az M mágnesezettség
RészletesebbenINFORMATIKAI ALAPISMERETEK
0611 ÉRETTSÉGI VIZSGA 2006. május 18. INFORMATIKAI ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI MINISZTÉRIUM Fontos tudnivalók Általános megjegyzések: Ha egy
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...
RészletesebbenProgramozás I. - 9. gyakorlat
Programozás I. - 9. gyakorlat Mutatók, dinamikus memóriakezelés Tar Péter 1 Pannon Egyetem M szaki Informatikai Kar Rendszer- és Számítástudományi Tanszék Utolsó frissítés: November 9, 2009 1 tar@dcs.vein.hu
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I 15 XV DIFFERENCIÁLSZÁmÍTÁS 1 DERIVÁLT, deriválás Az f függvény deriváltján az (1) határértéket értjük (feltéve, hogy az létezik és véges) Az függvény deriváltjának jelölései:,,,,,
RészletesebbenAz aktiválódásoknak azonban itt még nincs vége, ugyanis az aktiválódások 30 évenként ismétlődnek!
1 Mindannyiunk életében előfordulnak jelentős évek, amikor is egy-egy esemény hatására a sorsunk új irányt vesz. Bár ezen események többségének ott és akkor kevésbé tulajdonítunk jelentőséget, csak idővel,
RészletesebbenBETONACÉLOK HAJLÍTÁSÁHOZ SZÜKSÉGES l\4"yomaték MEGHATÁROZÁSÁNAK EGYSZERŰ MÓDSZERE
BETONACÉLOK HAJLÍTÁSÁHOZ SZÜKSÉGES l\4"yomaték MEGHATÁROZÁSÁNAK EGYSZERŰ MÓDSZERE BACZY"SKI Gábor Budape?ti 1Iűszaki Egyetem, Közlekedésmérnöki Kar Epítő- és Anyagmozgató Gépek Tanszék Körkeresztmetszet{Í
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
RészletesebbenGAZDASÁGI MATEMATIKA 1. 1. Gyakorlat
GAZDASÁGI MATEMATIKA 1. 1. Gyakorlat Bemutatkozás Chmelik Gábor óraadó BGF-KKK Módszertani Intézeti Tanszéki Osztály chmelik.gabor@kkk.bgf.hu http://www.cs.elte.hu/ chmelik Fogadóóra: e-mailben egyeztetett
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,
RészletesebbenSokféle matematikai és ezen kívül többféle kifejezetten statisztikai programcsomag
Kiss Gábor Õri István Matematika-tanítás Excel programcsomaggal Mintafeladatokon keresztül mutatjuk meg az Excel lehetőségeit a valószínűség-számítás, a statisztika és a lineáris algebra tanításában. Természetesen
RészletesebbenIpari és vasúti szénkefék
www.schunk-group.com Ipari és vasúti szénkefék A legjelentősebb anyagminőségek fizikai tulajdonságai A legjelentősebb anyagminőségek fizikai tulajdonságai A szénkefetestként használt szén és grafit anyagminőségek
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
RészletesebbenMinta 1. MATEMATIKA EMELT SZINTŰ ÍRÁSBELI FELADATSOR
1. MATEMATIKA EMELT SZINTŰ ÍRÁSBELI FELADATSOR A feladatok megoldására 240 perc fordítható, az idő leteltével a munkát be kell fejeznie. A feladatok megoldási sorrendje tetszőleges. A II. részben kitűzött
RészletesebbenMinta programterv a 1. házi feladathoz
Programozás Minta programterv a 1. házi feladathoz Gregorics Tibor EHACODE.ELTE gt@inf.elte.hu 0.csoport 1. beadandó/0.feladat 1. 2011. december 28. Feladat Egy osztályba n diák jár, akik m darab tantárgyat
Részletesebbenhttp://www.olcsoweboldal.hu ingyenes tanulmány GOOGLE INSIGHTS FOR SEARCH
2008. augusztus 5-én elindult a Google Insights for Search, ami betekintést nyújt a keresőt használók tömegeinek lelkivilágába, és időben-térben szemlélteti is, amit tud róluk. Az alapja a Google Trends,
RészletesebbenLineáris algebra jegyzet
Lineáris algebra jegyzet Készítette: Jezsoviczki Ádám Forrás: Az előadások és a gyakorlatok anyaga Legutóbbi módosítás dátuma: 2011-12-04 A jegyzet nyomokban hibát tartalmazhat, így fentartásokkal olvasandó!
Részletesebben[GVMGS11MNC] Gazdaságstatisztika
[GVMGS11MNC] Gazdaságstatisztika 4 előadás Főátlagok összehasonlítása http://uni-obudahu/users/koczyl/gazdasagstatisztikahtm Kóczy Á László KGK-VMI Viszonyszámok (emlékeztető) Jelenség színvonalának vizsgálata
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria
005-05 MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett
RészletesebbenDLookup függvény 1. (5)
DLookup függvény 1. (5) Hatókör: Microsoft Office Access 2000, 2003, 2007 A DLookup függvénnyel megkaphatja egy adott mező értékét egy adott rekordkészletből egy tartományból (tartomány: Tábla, lekérdezés
RészletesebbenELEKTRONIKAI ALAPISMERETEK
Elektronikai alapismeretek középszint 080 ÉETTSÉGI VIZSG 009. május. ELEKTONIKI LPISMEETEK KÖZÉPSZINTŰ ÍÁSBELI ÉETTSÉGI VIZSG JVÍTÁSI-ÉTÉKELÉSI ÚTMTTÓ OKTTÁSI ÉS KLTÁLIS MINISZTÉIM Egyszerű, rövid feladatok
RészletesebbenORSZÁGOS KÖRNYEZETEGÉSZSÉGÜGYI INTÉZET
ORSZÁGOS KÖRNYEZETEGÉSZSÉGÜGYI INTÉZET 197 Budapest, Gyáli út 2-6. Levélcím: 1437 Budapest Pf.: 839 Telefon: (6-1) 476-11 Fax: (6-1) 21-148 http://efrirk.antsz.hu/oki/ A PARLAGFŰ POLLENSZÓRÁSÁNAK ALAKULÁSA
RészletesebbenA döntő feladatai. valós számok!
OKTV 006/007. A döntő feladatai. Legyenek az x ( a + d ) x + ad bc 0 egyenlet gyökei az x és x valós számok! Bizonyítsa be, hogy ekkor az y ( a + d + abc + bcd ) y + ( ad bc) 0 egyenlet gyökei az y x és
RészletesebbenMatematikai statisztika gyakorlat félévkezdı tudnivalók. IP-aMSG
Matematikai statisztika gyakorlat félévkezdı tudnivalók. A tantárgy tartalma (kb): Statisztikai mezı, minta, statisztika. Leíró statisztikák. Rendezett minta, tapasztalati eloszlásfüggvény. Torzítatlan,
Részletesebben1. Metrótörténet. A feladat folytatása a következő oldalon található. Informatika emelt szint. m2_blaha.jpg, m3_nagyvaradter.jpg és m4_furopajzs.jpg.
1. Metrótörténet A fővárosi metróhálózat a tömegközlekedés gerincét adja. A vonalak építésének története egészen a XIX. század végéig nyúlik vissza. Feladata, hogy készítse el a négy metróvonal történetét
RészletesebbenMATEMATIKA ÍRÁSBELI VIZSGA 2012. május 8.
MATEMATIKA ÍRÁSBELI VIZSGA 2012. május 8. I. rész Fontos tudnivalók A feladatok megoldásához szöveges adatok tárolására és megjelenítésére nem alkalmas zsebszámológépet és bármelyik négyjegyű függvénytáblázatot
RészletesebbenRendezési algoritmusok belső rendezés külső rendezés
Rendezési algoritmusok belső rendezés külső rendezés belső rendezési algoritmusok buborékrendezés (Bubble sort) kiválasztó rendezés (Selection sort) számláló rendezés (Counting sort) beszúró rendezés (Insertion
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
Részletesebben8. Feladat Egy bútorgyár asztalosműhelyében évek óta gyártják a Badacsony elnevezésű konyhaasztalt. Az asztal gyártási anyagjegyzéke a következő:
MRP számítások 1 8. Feladat Egy bútorgyár asztalosműhelyében évek óta gyártják a Badacsony elnevezésű konyhaasztalt. Az asztal gyártási anyagjegyzéke a következő: asztal lábszerkezet asztallap Csavar (
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,
RészletesebbenValószín ségszámítás és statisztika Gyakorlat (Statisztika alapjai)
Gyakorlat (Statisztika alapjai) 2018. december 2. Statisztika alapjai 1 A mérnökinformatikus hallgatók zárthelyi dolgozatot írtak, ahol a maximális pontszám 50 pont volt. Véletlenszer en megnéztük 5 hallgató
RészletesebbenSztochasztikus modellezés. Raisz Péter, Fegyverneki Sándor
Sztochasztikus modellezés Raisz Péter, Fegyverneki Sándor Miskolci Egyetem,2011 Tartalomjegyzék 1. Valószínűség-számítási alapok 5 1.1. Eseménytér, műveletek eseményekkel.............. 5 1.2. A valószínűség
RészletesebbenSzent István Közgazdasági Szakközépiskola és Kollégium
2006 Szent István Közgazdasági Szakközépiskola és Kollégium Az Önök iskolájára vonatkozó egyedi adatok táblázatokban és grafikonokon 10. évfolyam matematika Előállítás ideje: 2007.04.18. 13:23:13 1 Standardizált
RészletesebbenÉVKÖZI MINTA AZ EGÉSZSÉGÜGYI BÉR- ÉS LÉTSZÁMSTATISZTIKÁBÓL. (2004. IV. negyedév) Budapest, 2005. április
ÉVKÖZI MINTA AZ EGÉSZSÉGÜGYI BÉR- ÉS LÉTSZÁMSTATISZTIKÁBÓL (2004. IV. negyedév) Budapest, 2005. április Évközi minta az egészségügyi bér- és létszámstatisztikából Vezet i összefoglaló Módszertan Táblázatok:
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-
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
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.
RészletesebbenTanulmányi keretrendszer az APPI-ban
Horváth Cz. János Tanulmányi keretrendszerek felhasználói hatékonyságvizsgálata NWS 2009 2009. április 16. Tanulmányi keretrendszer az APPI-ban Közel 3 éves Moodle használat Több ezer bejegyzett felhasználó
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:
RészletesebbenÉVKÖZI MINTA AZ EGÉSZSÉGÜGYI BÉR- ÉS LÉTSZÁMSTATISZTIKÁBÓL. (2004. III. negyedév) Budapest, 2004. december
ÉVKÖZI MINTA AZ EGÉSZSÉGÜGYI BÉR- ÉS LÉTSZÁMSTATISZTIKÁBÓL (2004. III. negyedév) Budapest, 2004. december Évközi minta az egészségügyi bér- és létszámstatisztikából Vezet i összefoglaló Módszertan Táblázatok:
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
Részletesebben2011. március 9. Dr. Vincze Szilvia
. márius 9. Dr. Vinze Szilvia Tartalomjegyzék.) Elemi bázistranszformáió.) Elemi bázistranszformáió alkalmazásai.) Lineáris függőség/függetlenség meghatározása.) Kompatibilitás vizsgálata.) Mátri/vektorrendszer
Részletesebben