Kísérlettervezési alapfogalmak:
|
|
- Irma Orsósné
- 7 évvel ezelőtt
- Látták:
Átírás
1 Kísérlettervezés alapfogalmak: Tényező, faktor (factor) független változó, ható tényező (kezelés, gyógyszer, takarmány, genotípus, élőhely, stb.) amnek hatását a kísérletben vzsgáln vagy összehasonlítan kívánjuk. Megfgyelés egység (expermental unt) az az egység a kísérletben, amelyre egy bzonyos kezelést vagy kezeléskombnácót alkalmazunk (egy állat, egy alom, egy sejtkultúra, egy petr-csésze táptalaj, stb.). Célváltozó vagy kmenet változó (outcome varable, response varable) olyan megfgyelhető vagy mérhető változó, amely alkalmas a tényezők hatásának mérésére (a megfgyelés egység állapotának, kezelésre adott válaszának jellemzésére). Lehet bnárs (0/, pl. túlélés, gyógyulás, stb.) vagy számszerű (baktérumtelepek száma, átmérője, vérnyomás, közérzet-pontszám, stb.).
2 Ismétlés (replcaton) ugyanazt a kezelést (kezeléskombnácót) általában több megfgyelés egységen szokták alkalmazn. Ennek az az értelme, hogy csökkentsék annak az esélyét, hogy a kísérlet egyes megfgyelés egységek kesése (elhullás, skertelen mérés, stb.) matt értékelhetetlenné válk, kderüljön, mekkora a kezelésre adott válasz szóródása a populácóban, az eredmények a populácóra általánosíthatók legyenek, növekedjék a vzsgálat pontossága. Célpopulácó (target populaton) és vzsgált populácó (sampled populaton) a célpopulácó az a populácó, amelyre a vzsgálat eredményet alkalmazn kívánjuk, a vzsgált populácó pedg az a populácó, amelyből az elemzés alapjául szolgáló véletlen mntát vettük. Ha e két populácó nem azonos, akkor a kapott eredmény érvényessége megkérdőjelezhető.
3 Belső és külső valdtás (nternal and external valdty) A vzsgálat belső valdtásán azt értjük, hogy a kapott eredmény valóban érvényes-e a vzsgált mntára (az elemzés nem tartalmaz torzítást), a külső valdtás pedg azt jelent, hogy érvényes-e a kívánt célpopulácóra (azaz általánosítható). Ehhez a belső valdtáson túlmenően még arra s szükség van, hogy a mntavétel se okozzon torzítást. A vzsgálat belső valdtását például veszélyeztet, ha a kértékeléskor egy olyan statsztka módszert alkalmaztunk nem normáls eloszlású változó elemzésére, amelynek feltétele, hogy a vzsgált változó normáls eloszlású legyen. A vzsgálat külső valdtása kérdéses, ha az eredményeket a házorvos praxsra vonatkozóan kívánjuk felhasználn, a vzsgálatot vszont egy egyetem klnka beteganyagán végezzük, ahol jellemzően súlyosabb vagy komplkált esetek fordulnak elő.
4 Varancaelemzés (analyss of varance), ANOVA Van-e hatása a tényezőnek (kezelés vagy csoport, X) a célváltozóra (Y), pontosabban annak átlagértékére? Vannak-e különbségek az egyes kezelések, kezelés-kombnácók, csoportok között? Erre a kétmntás t-próba s megadja a választ, elég lenne azt páronként elvégezn a változókra gondolhatjuk. Ez azonban hbás megközelítés. A többször elvégzett t-próba esetén alaposan megnőne az első fajú hba valószínűsége. 0 Legyen például 0 mntánk, ezekből = 45 különböző párosítást készíthetünk, és 2 ezek mndegykében 5% hbavalószínűséggel utasítjuk el a nullhpotézst. Másként fogalmazva, 00 szgnfkáns eredményből átlagosan 5 esetben hbásan utasítjuk el a nullhpotézst. Akkor 45 esetből? Az ANOVA maga dolgozk 5% hbavalószínűséggel, az összes mntát tekntve.
5 Egytényezős one-way, one-factor varancaelemzés: k mnta (k kezelés vagy k csoport) Feltétel: a mnták függetlenek, a célváltozó mnden csoportban normáls eloszlású (kh-négyzet próba, Kolmogorov-Szmrnov-próba), a szórások azonosak (Bartlettpróba, Levene-próba). Nullhpotézs: nncs különbség az átlagok között, a kezelések/csoportok a célváltozó átlagára nézve mnd azonosak: H 0 : µ = µ 2 =... = µ k. Ellenhpotézs: nem mnden átlag egyenlő, a kezelések/csoportok között különbség van : H : nem mnden µ egyenlő egymással. Ha k = 2, akkor a varancaelemzés ekvvalens a kétmntás t-próbával.
6 Példa: Hasonlítsuk össze a következő három mntát:. mnta 2. mnta 3. mnta összes x = 2 x = 3 x = 7 x = s 2 = 0 s 2 = 0 s 2 = 0 s 2 = Mndhárom szórásnégyzet megegyezk, így a csoporton belül varancák átlaga 0. Az összes megfgyelés varancája nagyobb: 6. A különbség az átlagok között különbségnek tudható be. Alapötlet: a csoportosító tényezőtől független hatások a csoportokon belül s megjelennek
7 Másképp: a varabltásnak két forrása van a mntán belül átlag körül szóródás (csoportosítástól független hatások matt) a mnták között változatosság, amely a populácók (amelyekből a mnták származnak) várható értékenek különbözőségéből fakad.
8 Varanca-tábla (szórásfelbontás) A célváltozó varabltását (amelyet az átlagától való eltérés-négyzetösszeggel mérünk) komponensekre bontjuk az alább módon: Teljes varabltás = Kezelések között különbségnek tulajdonítható varabltás + Véletlen varabltás csoportok között (between groups) csoporton belül (wthn groups) rezduáls hba (resdual error) Ha a kezelések között különbségeknek tulajdonítható varabltás szgnfkánsan nagyobb, mnt az ugyanazon kezelést kapottak között véletlen (nem a kezeléssel kapcsolatos de lehet más, zavaró hatásnak tulajdonítható!) varabltás, akkor a nullhpotézst elvetjük. A tesztelés a varancák hányadosát véve, F-próbával történk. Szokásos jelölések: SS, SSQ négyzetösszeg (sum of squares) MS, MSQ varanca (mean squares)
9 A négyzetösszeg-felbontás szokásos formája, ahogyan a számítógépes programok közlk (ANOVA táblázat): A varanca eredete Source Kezelések között Between Kezelésen belül Wthn SS SS Eltérésnégyzetösszeg SS W B = n k = = k ( x X) 2 n ( xj x) = j= Teljes = ( ) Total k n SST xj X = j= 2 2 Szab. fok * df k- MS Átlagos négyzetes eltérés MS Tesztstatsztka F MSB F = MS k 2 n ( x X) = B = W k k n ( ) k(n-) xj x nk- MS W = = j= ( n ) k MS T = = SS T /(k-) *** 2 p- érték ** p p * feltéve, hogy k csoport van és mndegykben n megfgyelés ** a (k-), k(n-) szabadság fokú F-eloszlásból számítva *** MS T nem más, mnt a célváltozó becsült varancája
10 Ha a mntaelemszámok egyenlőek: ( ) ( ) ( ) 2 2 = = = = n k x x k X x n F k n j j k Ha a mntaelemszámok nem egyenlőek: ( ) ( ) ( ) = = = = k k k n s n k X x n F 2 2 Utóbb esetben súlyozunk a mntaelemszámokkal.
11 Ha a varancaelemzés szgnfkáns különbségeket mutat k a kezelések között, azaz a H 0 : µ = µ 2 =... = µ k nullhpotézst elvetjük, akkor kíváncsak lehetünk arra, hogy nevezetesen mely kezelések között van különbség. Erre szolgál a csoportok páronként összehasonlítása (post-hoc tests). A nullhpotézs elvetéséből nem következk, hogy mnd különböznek egymástól! Vannak olyan módszerek s, amelyetet nemcsak egy szgnfkáns ANOVA után, hanem anélkül s használhatunk (multple comparson tests).
12 Hogyan lehet eldönten, hogy melyk csoportok különböznek egymástól? Sok módszer van, különféle előnyökkel és hátrányokkal, csak néhányat említünk. Kszámítjuk a mntaátlagok konfdenca ntervallumat. Amelyek nem fednek át, azokat tekntjük különbözőknek. (nem teljesen korrekt) K lehet számítan az ún. legksebb szgnfkáns dfferencát LSD p%, és azokat a mntákat tekntjük különbözőknek, amelyek középérékenek különbsége nagyobb, mnt LSD p% (ez sem teljesen korrekt) A Tukey-teszt (korrekt, vszont nem nagyon érzékeny nagy különbség kell ahhoz, hogy szgnfkánsnak tekntse) A Dunnett-teszt: ha a kezelések nem mnd egyenértékűek, hanem van közöttük egy, amelyhez az összes többt hasonlítan akarjuk, akkor ezt a tesztet kell használnunk.
13 Többtényezős vagy többszempontos (multfactor) varancaelemzés Több tényező van. (Az egyszerűség kedvéért most legyen csak kettő.). tényező: k kezelés (k csoport). 2. tényező: k 2 kezelés (k 2 csoport). A kezeléskombnácók száma k k 2. Tegyük fel, hogy r smétléssel dolgozunk, azaz mnden kezeléskombnácót r megfgyelés egységen alkalmazunk (ez összesen k k 2 r megfgyelés egység). Feltétel tt s, hogy a célváltozó mnden kezeléskombnácó esetén normáls eloszlású, a szórások pedg azonosak legyenek.
14 Itt többféle nullhpotézst tesztelhetünk (ugyanúgy, mnt az egytényezős esetben, a négyzetösszeg felbontása után F-próbával): H 0 () : az. tényező szernt k kezelés csoport a célváltozó átlagára nézve mnd azonos, az átlagok között nncs különbség: H 0 () : µ () = µ 2 () =... = µ k () H 0 (2) : a 2. tényező szernt k 2 kezelés csoport a célváltozó átlagára nézve mnd azonos, az átlagok között nncs különbség: H 0 (2) : µ (2) = µ 2 (2) =... = µ k2 (2) H 0 ( 2) : az. és a 2. tényező hatása addtív, együttes hatásuk a külön-külön vett hatások egyszerű összege, nncs közöttük kölcsönhatás, nterakcó (H0 ( 2) elvetése azt jelent, hogy a két hatás nem addtív, van közöttük nterakcó) Az nterakcó azt s jelent, akkor az. tényező szernt kezelések hatása a 2. tényező szernt kezelés csoportokban nem azonos. Több tényezőre magasabb rendű nterakcók s bejönnek, de ezek általában nem nterpretálhatóak.
15 Példa: Seregélyek testtömege hogyan függ a madarak nemétől és a mérés dőpontjától? átlagos testtömeg nő hím hím nő hím nő ősz tavasz ősz tavasz ősz tavasz Az (a) esetben közel párhuzamos az átlagos testtömegeket összekötő vonal: az évszakváltás ugyananny testtömeg változást jelent mndkét nem számára, azaz nncs kölcsönhatás a két változó között. A (b) és (c) esetben a vonalak nem párhuzamosak: az évszakváltás hatása nem azonos az egyes nemek számára, azaz mndkét eset nterakcót jelez
16 Több mnta esetén: Az (a) esetben nncs nterakcó (közel párhuzamos vonalak), a (b) esetben van. A többtényezős ANOVA elvégezhető úgy s, ha mnden tényező kombnácóban csak egy megfgyelés van, ekkor azonban az nterakcók nem tesztelhetők.
17 ANCOVA Varanca-kovaranca-elemzésről (ANCOVA) akkor beszélünk, ha a tényezők mellett folytonos magyarázó változókat (ún. kovaránsok) s fgyelembe veszünk, amelyek hatását a célváltozóra lneárs regresszóval fejezzük k (pl. túlélés dő hogyan függ a műtét típusától, a beteg nemétől és életkorától). Ha azt gyanítjuk, hogy a kovaránstól való függés nem lneárs, akkor jobb, ha értéket csoportosítjuk (lehetőleg szakmalag nterpretálható módon!), majd ANOVA-t alkalmazunk. Az eljárást akkor s használhatjuk, ha a feladat az egyes csoportokbel regresszós egyenesek meredekségének összehasonlítása. (A meredekségek különbözőségét az jelz, ha a tényező kovaráns nterakcó szgnfkáns.)
18 Néha olyan tényezők hatása s érdekel, amelyeknek nem tudjuk, vagy nem akarjuk az összes lehetséges szntjét fgyelembe venn. Ilyenek például a mérés dőpontja (napszak, évszak), az élőhely földrajz elhelyezkedése, többcentrumos vzsgálatban a vzsgálatot végző ntézmény, a mérést végző személy, stb. Ekkor nem az a fontos, hogy az éppen fgyelembe vett szntek (dőpontok, földrajz helyek, ntézmények, személyek) között van-e és mekkora a különbség, hanem hogy ezek a különbségek összességében mennyvel járulnak hozzá a vzsgált változó varancájához (hogy ezt a többlet-varancát el tudjuk különíten a véletlen hbától). Az lyen tényezőt véletlen tényezőnek (random factor), az lyen tényezőt tartalmazó modellt véletlen modellnek (random effect model) nevezzük, szemben az eddg megsmert fx tényezővel (fx factor) és fx modellel (fxed effect model). A vegyes modellben (mxed model) mndkét fajta tényező szerepel.
19 Véletlen blokkos elrendezés (randomzed blocks desgn) Általában a csoportok között véletlenszerűen osztjuk fel a kezeléseket, azaz randomzálunk. Például 3 különböző kezelésnek teszünk k 5 egyedet, mndegyk kezelést 5 egyeden alkalmazva a kezelések sorrendje lehet például a következő: K K2 K K2 K K3 K K2 K2 K3 K K3 K3 K3 K2 Ha az a gyanúnk, hogy egy tényező nemkívánatos hatást gyakorol a célváltozó értékére, akkor ezt úgy kezelhetjük, hogy a fent teljes randomzálás helyett e tényező szernt rétegzünk és mnden rétegben mndegyk kezelésből ugyanannyt végzünk, és csupán az egyes rétegeken belül randomzálunk. Így az egyes kezelésekhez tartozó átlagértékeket a tényező azonos mértékben befolyásolja. Ezt az elrendezést véletlen blokkos elrendezésnek nevezk. Képzeljük el például, hogy a fent kísérletben azoknak az egyedeknek, amelyek később kerülnek sorra, romlk az állapota, a kezeléseket vszont csak egymás után tudjuk elvégezn. Ekkor eljárhatunk a következőképpen: K K2 K3 K2 K3 K K K3 K2 K3 K2 K K2 K K3
20 K K2 K3 K2 K3 K K K3 K2 K3 K2 K K2 K K3 Három egyedből álló blokkokat alakítottunk k, a blokkokon belül randomzáltuk csak a kezelést. Ha a kísérletet varancaelemzéssel értékeljük k, akkor a kértékeléshez használt statsztka programot általában úgy kell paraméterezn, mntha 2 tényezős elrendezést használtunk volna (az adatokat s ennek megfelelően kell bevnn), de a kezelés hatása és a blokkhatás között nterakcót kzárjuk és a blokkhatás szgnfkancáját nem vzsgáljuk. Az elrendezés így garantálja, hogy a kezelés hatása és a blokk-hatás szétválasztható. Így a szórásfelbontásban a blokk-hatásnak tulajdonítható szórás el van különítve a véletlen hbától, ez pedg erősebb tesztet eredményez. (Igaz vszont, hogy a kezelés blokk nterakcó, amennyben van lyen, nem választható szét a véletlen hbától, de hát nem szabad telhetetlennek lenn.)
21 Ha nem egy, hanem 2 környezet gradenst kell fgyelembe vennünk, akkor a Latn négyzet elrendezést alkalmazhatjuk: Ugyananny sora és oszlopa van a rácsnak, és mnden kezelés egyetlen egyszer szerepel mnden oszlopban és mnden sorban. Másodk hatás Első hatás E E2 E3 M K K3 K2 M2 K2 K K3 M3 K3 K2 K Látható, hogy a latn négyzet elrendezés akkor kvtelezhető könnyen, ha a zavaró változók folytonosak, mert ekkor könnyen hozhatunk létre belőlük épp a kezelések számával megegyező számú kategórát.
22 A kértékeléshez használt statsztka programot tt általában úgy kell paraméterezn, mntha 3 tényezős elrendezést használtunk volna, és az adatokat s ennek megfelelően kell bevnn (lásd lent). Itt s kzárjuk az nterakcókat, és tt sem vzsgáljuk a sor-, lletve oszlophatás szgnfkancáját.
Variancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?
Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenReiczigel Jenő, 2006 1
Reiczigel Jenő, 2006 1 Egytényezős (egyszempontos) varianciaelemzés k független minta (k kezelés vagy k csoport), a célváltozó minden csoportban normális eloszlású, a szórások azonosak, az átlagok vagy
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
RészletesebbenVarianciaanalízis. Egytényezős kísérletek (Más néven: egyutas osztályozás, egyszempontos varianciaanalízis ANOVA)
Varancaanalízs A varancaanalízs során kettőnél több sokaság középértékenek mnta alapán történő összehasonlítása történk zért nevezk a kétmntás t-próba általánosításának A nullhpotézs eldöntéséhez használuk
Részletesebben20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!
SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,
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
RészletesebbenStatisztika feladatok
Statsztka ok Informatka Tudományok Doktor Iskola Bzonyítandó, hogy: azaz 1 Tekntsük az alább statsztkákat: Igazoljuk, hogy torzítatlan statsztkák! Melyk a leghatásosabb közöttük? (Ez az együttes eloszlásfüggvényük.)
RészletesebbenStatisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kdolgozott feladatok a nemparaméteres statsztka témaköréből A táékozódást mndenféle színkódok segítk. A feladatok eredet szövege zöld, a megoldások fekete, a fgyelmeztető, magyarázó elemek pros színűek.
RészletesebbenANOVA. Egy faktor szerinti ANOVA. Nevével ellentétben nem szórások, hanem átlagok összehasonlítására szolgál. Több független mintánk van, elemszámuk
Egy faktor zernt NOV Nevével ellentétben nem zóráok, hanem átlagok özehaonlítáára zolgál Több független mntánk van, elemzámuk,...,,, r y,...,, y, y,..., yr;,, r H : r NOV. élda (Box-Hunter-Hunter: Stattc
Részletesebben2012. április 18. Varianciaanaĺızis
2012. április 18. Varianciaanaĺızis Varianciaanaĺızis (analysis of variance, ANOVA) Ismételt méréses ANOVA Kérdések: (1) van-e különbség a csoportok között (t-próba általánosítása), (2) van-e hatása a
RészletesebbenNemparaméteres eljárások
Nemparaméteres eljárások Bevezetés Az ntervallum vagy a hányados skálán végzett méréseknél az adatokból számolhatunk átlagot, szórásnégyzetet, szórást Fontos módszerek alapulnak ezeknek a származtatott
RészletesebbenGyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések
Gakorló feladatok a Kísérletek tervezése és értékelése c. tárgból Lneárs regresszó, smétlés nélkül mérések 1. példa Az alább táblázat eg kalbrácós egenes felvételekor mért adatokat tartalmazza: x 1.8 3
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
Részletesebbend(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás
RészletesebbenDarupályák ellenőrző mérése
Darupályák ellenőrző mérése A darupályák építésére, szerelésére érvényes 15030-58 MSz szabvány tartalmazza azokat az előírásokat, melyeket a tervezés, építés, műszak átadás során be kell tartan. A geodéza
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.
Korrelácó-számítás 1. előadás Döntéselőkészítés módszertana Dr. Varga Beatr Két változó között kapcsolat Függetlenség: Az X smérv szernt hovatartozás smerete nem ad semmlen többletnformácót az Y szernt
RészletesebbenDr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola
Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet
Kettőnél több csoport vizsgálata Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet Gyógytápszerek (kilokalória/adag) Három gyógytápszer A B C 30 5 00 10 05 08 40 45 03 50 35 190 Kérdések: 1. Van-e
RészletesebbenNEMPARAMÉTERES PRÓBÁK
NEMPARAMÉTERES PRÓBÁK A nemparaméteres próbák nem tételezk föl a normáls eloszlást. A leggyakrabban használt próbák (pl. a t-próbák, ANOVA) feltételezk a normáls eloszlást. Sokszor ez nem teljesül. Következmény:
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a bometrába Dr. Dnya Elek egyetem tanár PhD kurzus. KOKI, 205.0.08. ADATREDUKCIÓ I. Középértékek Adatredukcó. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények:
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenBIOMETRIA_ANOVA_2 1 1
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék, az MTA Közgazdaságtudomány
RészletesebbenKISTERV2_ANOVA_
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenLaboratóriumi kontrollkártya használata Tananyag. Készítette: Muránszky Géza vegyészmérnök Oktató: Lőrinc Anna minőségirányítási előadó
Laboratórum kontrollkártya használata Tananyag Készítette: Muránszky Géza vegyészmérnök Oktató: Lőrnc Anna mnőségrányítás előadó Tartalom. Bevezetés... 3. A kontroll kártyák típusa... 4 3. A statsztka
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenVariancia-analízis (folytatás)
Variancia-analízis (folytatás) 7. elıadás (13-14. lecke) Egytényezıs VA blokk-képzés nélkül és blokk-képzéssel 13. lecke Egytényezıs variancia-analízis blokkképzés nélkül Az átlagok páronkénti összehasonlítása(1)
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pálázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomán Tanszékén az ELTE Közgazdaságtudomán Tanszék, az MTA Közgazdaságtudomán
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
RészletesebbenTÉRBELI STATISZTIKAI VIZSGÁLATOK, ÁTLAGOS JELLEMZŐK ÉS TENDENCIÁK MAGYARORSZÁGON. Bihari Zita, OMSZ Éghajlati Elemző Osztály OMSZ
TÉRBELI STATISZTIKAI VIZSGÁLATOK, ÁTLAGOS JELLEMZŐK ÉS TENDENCIÁK MAGYARORSZÁGON Bhar Zta, OMSZ Éghajlat Elemző Osztály OMSZ Áttekntés Térbel vzsgálatok Alkalmazott módszer: MISH Eredmények Tervek A módszer
RészletesebbenHipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018
Hipotézisvizsgálat az Excel adatelemző eljárásaival Dr. Nyéki Lajos 2018 Egymintás t-próba Az egymintás T-próba azt vizsgálja, hogy különbözik-e a változó M átlaga egy megadott m konstanstól. Az a feltételezés,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenMatematikai statisztika elıadás III. éves elemzı szakosoknak. Zempléni András 9. elıadásból (részlet)
Matematka statsztka elıadás III. éves elemzı szakosokak Zemplé Adrás 9. elıadásból részlet Y közelítése függvéyével Gyakor eset, hogy em smerjük a számukra érdekes meység Y potos értékét pl. holap részvéy-árfolyam,
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr.
Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Regresszó-számítás. előadás Kvanttatív statsztka módszerek Dr. Varga Beatr Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Korrelácós
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
RészletesebbenA DÖNTÉSELMÉLET ALAPJAI
J 2 A DÖNTÉSELMÉLET ALAJAI óformán életünk mnden percében döntéseket kell hoznunk, és tesszük ezt mnden elmélet megalapozottság nélkül. Sajnos a mndennap életben felmerülő egyed döntésekre még nem skerült
RészletesebbenEgyszempontos variancia analízis. Statisztika I., 5. alkalom
Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek
RészletesebbenNemparaméteres módszerek. Krisztina Boda PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
Nemparaméteres módszerek Krsztna Boda PhD SZTE ÁOK Orvos Fzka és Orvos Informatka Intézet Paraméteres próbák Paraméter: egy szám, amely a populácó eloszlását jellemz (és általában meghatározza). A normáls
RészletesebbenKeresztkorreláció vizsgálata statisztikai teszttel
SZAKDOLGOZAT Keresztkorrelácó vzsgálata statsztka teszttel Készítette: Balogh Bertalan kéma BSc szakos hallgató Témavezető: Tóth Gergely egyetem docens Eötvös Loránd Tudományegyetem, Természettudomány
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenExtrém-érték elemzés. Extrém-érték eloszlások. Megjegyzések. A normálhatóság feltétele. Extrém-érték modellezés
Extrém-érték modellezés Zemplén András Val.modellek 2018. febrár 21. Extrém-érték elemzés Klasszks módszerek: év maxmmon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ
RészletesebbenExtrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés
Etrém-érték modellezés Zemplén András Alkalmazott modl 016. febrár -9. Etrém-érték elemzés Klasszks módszerek: év mammon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ
RészletesebbenStatisztika I. 3. előadás. Előadó: Dr. Ertsey Imre
Statsztka I. 3. előadás Előadó: Dr. Ertsey Imre Vszonyszámok Statsztka munka: adatgyűjtés, rendszerezés, összegzés, értékelés. Vszonyszámok: Két statsztka adat arányát kfejező számok, Az un. leszármaztatott
RészletesebbenAz entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
RészletesebbenStatisztikai. Statisztika Sportszervező BSc képzés (levelező tagozat) Témakörök. Statisztikai alapfogalmak. Statisztika fogalma. Statisztika fogalma
Témakörök Statsztka Sortszerező BSc kézés (leelező tagozat) 2-2-es tané félé Oktató: Dr Csáfor Hajnalka főskola docens Vállalkozás-gazdaságtan Tsz E-mal: hcsafor@ektfhu Statsztka fogalmak Statsztka elemzések
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenOLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma
OLS regresszó - smétlés Mroöonometra,. hét Bíró Anó A tantárg tartalma Leggaorbb mroöonometra problémá és azo ezeléséne megsmerése Egén vag vállalat adato Keresztmetszet és panel elemzés Vállalat, pacelemzés
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
Részletesebben(eseményalgebra) (halmazalgebra) (kijelentéskalkulus)
Valószínűségszámítás Valószínűség (probablty) 0 és 1 között valós szám, amely egy esemény bekövetkezésének esélyét fejez k: 0 - (sznte) lehetetlen, 0.5 - azonos eséllyel gen vagy nem, 1 - (sznte) bztos
RészletesebbenEsetelemzés az SPSS használatával
Esetelemzés az SPSS használatával A gepj.sav fileban négy különböző típusú, összesen 80 db gépkocsi üzemanyag fogyasztási adatai találhatók. Vizsgálja meg, hogy befolyásolja-e az üzemanyag fogyasztás mértékét
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
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 :
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenNKFP6-BKOMSZ05. Célzott mérőhálózat létrehozása a globális klímaváltozás magyarországi hatásainak nagypontosságú nyomon követésére. II.
NKFP6-BKOMSZ05 Célzott mérőhálózat létrehozása a globáls klímaváltozás magyarország hatásanak nagypontosságú nyomon követésére II. Munkaszakasz 2007.01.01. - 2008.01.02. Konzorcumvezető: Országos Meteorológa
RészletesebbenBUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VEGYÉSZMÉRNÖKI ÉS BIOMÉRNÖKI KAR OLÁH GYÖRGY DOKTORI ISKOLA. Tézisfüzet
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VEGYÉSZMÉRNÖKI ÉS BIOMÉRNÖKI KAR OLÁH GYÖRGY DOKTORI ISKOLA Mnısítéses mérıeszközök képességvzsgálata Tézsfüzet Szerzı: Vágó Emese okleveles vegyészmérnök
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenKísérlettervezési alapfogalmak
Kísérlettervezési alapfogalmak Tényező, faktor factor független változó, ható tényező (kezelés, gyógyszer, hőmérséklet, stb.) aminek hatását a kísérletben vizsgálni vagy összehasonlítani kívánjuk. Megfigyelési
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenFoglalkoztatáspolitika. Modellek, mérés.
Foglalkoztatáspoltka. Modellek, mérés. Galas Péter Budapest, 20 Galas Péter, 20 Kézrat lezárva: 20. júnus Bevezetés A tananyag célja a foglalkoztatáspoltka közgazdaságtan szempontú elemzésében és értékelésében
RészletesebbenÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA Készült a TÁMOP-4..-08//A/KMR-009-004pálázat projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudomán Tanszékén az ELTE Közgazdaságtudomán Tanszék az MTA Közgazdaságtudomán Intézet
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenEgy negyedrendű rekurzív sorozatcsaládról
Egy negyedrendű rekurzív sorozatcsaládról Pethő Attla Emlékül Kss Péternek, a rekurzív sorozatok fáradhatatlan kutatójának. 1. Bevezetés Legyenek a, b Z és {1, 1} olyanok, hogy a 2 4b 2) 0, b 2 és ha 1,
RészletesebbenIsmételt méréses multifaktoriális varianciaanaĺızis (repeated measures MANOVA) 2012. szeptember 19.
Ismételt méréses multifaktoriális varianciaanaĺızis (repeated measures MANOVA) 2012. szeptember 19. Varianciaanaĺızis Adott egy parametrikus függő változó és egy vagy több kategoriális független változó.
RészletesebbenANOVA összefoglaló. Min múlik?
ANOVA összefoglaló Min múlik? Kereszt vagy beágyazott? Rögzített vagy véletlen? BIOMETRIA_ANOVA5 1 I. Kereszt vagy beágyazott Két faktor viszonyát mondja meg. Ha több, mint két faktor van, akkor bármely
RészletesebbenSztochasztikus kapcsolatok
Sztochasztikus kapcsolatok Petrovics Petra PhD Hallgató Ismérvek közötti kapcsolat (1) Függvényszerű az egyik ismérv szerinti hovatartozás egyértelműen meghatározza a másik ismérv szerinti hovatartozást.
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
RészletesebbenJövedelem és szubjektív jóllét: az elemzési módszer megválasztásának hatása a levonható következtetésekre
Tanulmányok Jövedelem és szubjektív jóllét: az elemzés módszer megválasztásának hatása a levonható következtetésekre Hajdu Tamás, az MTA Közgazdaságés Regonáls Tudomány Kutatóközpont Közgazdaságtudomány
RészletesebbenHely és elmozdulás - meghatározás távolságméréssel
Hely és elmozdulás - meghatározás távolságméréssel Bevezetés A repülő szerkezetek repülőgépek, rakéták, stb. helyének ( koordnátának ) meghatározása nem új feladat. Ezt a szakrodalom részletesen taglalja
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
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)
RészletesebbenKhi-négyzet eloszlás. Statisztika II., 3. alkalom
Khi-négyzet eloszlás Statisztika II., 3. alkalom A khi négyzet eloszlást (Pearson) leggyakrabban kategorikus adatok elemzésére használjuk. N darab standard normális eloszlású változó négyzetes összegeként
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
Részletesebben