Kísérletek tervezése és értékelése
|
|
- Ilona Király
- 8 évvel ezelőtt
- Látták:
Átírás
1 STATISZTIKAI ALAPOK I. STATISZTIKAI ALAPOK Adatok ábrázolása Yogi Berra: "You ca observe a lot by watchig." I. STATISZTIKAI ALAPOK
2 Mérési adatok ábrázolása: Pot ábrázolás (Dotplot) Dotplot for Y 9 3 Y I. STATISZTIKAI ALAPOK 3 Sok adatra a dotplot em elég iformatív Dotplot for Y Y I. STATISZTIKAI ALAPOK 4
3 Pulzus példa Egy társaság mide tagjáak megmérték a pulzusát (PULSE), majd kisorsolták ki fusso és ki em (RAN). Futás utá újból mérték a pulzust (PULSE). A résztvevık éháy jellemzıjét (doháyzás, em, stb.) a pulzus adatokkal együtt táblázatos formába rögzítették. A táblázatba egy sor egyazo személy adatait tartalmazza. I. STATISZTIKAI ALAPOK 5 4 Histogram of PULSE; categorized by RAN Pulse.sta 8v*9c 6 4 Bo Plot of PULSE grouped by RAN Pulse.sta 8v*9c No of obs PULSE PULSE RAN: RAN: RAN Media 5%-75% No-Outlier Rage Outliers Etremes I. STATISZTIKAI ALAPOK 6 3
4 6 Bo Plot of PULSE grouped by SEX; categorized by RAN Pulse.sta 8v*9c 4 PULSE SEX PULSE/RAN: PULSE/RAN: Outliers I. STATISZTIKAI ALAPOK 7 Scatterplot of WEIGHT agaist HEIGHT Pulse.sta 8v*9c 9 8 WEIGHT HEIGHT Iclude se Iclude se Other I. STATISZTIKAI ALAPOK 8 4
5 Dobozos ábra és hisztogram szimmetrikus eloszlásból vett mitára Ma 63 Mi 37 75% % 44.8 Media % 5% % 5% % 5% 3% rel. gyak. I. STATISZTIKAI ALAPOK 9 Dobozos ábra és hisztogram aszimmetrikus eloszlásból vett mitára Ma 5 Mi. 75% 7.6 5%. Media 4.4 outlier % 5% % 5% % 5% frequecy I. STATISZTIKAI ALAPOK 5
6 I. STATISZTIKAI ALAPOK D. G. Altma, BMJ, 98 Studet, 93 I. STATISZTIKAI ALAPOK 6
7 Mérési skálák évleges (omial, categorical) sorredi (ordered categorical) itervallum (iterval) aráyos (proportioal) I. STATISZTIKAI ALAPOK y Sopro Gödöllõ Nyíregyháza Város 9 8 y T I. STATISZTIKAI ALAPOK 4 7
8 Alapfogalmak (vázlat) Véletle jeleség Sokaság és mita Valószíőségi változó: diszkrét vagy folytoos Sőrőség- és eloszlásfüggvéy Függetleség fogalma I. STATISZTIKAI ALAPOK 5 Az igadozás, bizoytalaság elkerülhetetle a gyártott termékpéldáyok külöbözek az ismételt mérési eredméyek em azoosak ha egy tételbıl többször veszük mitát, a talált selejtaráy változik ha másik mitát veszük a vízbıl, em lesz teljese azoos ha másik apo veszük mitát, em lesz ugyaolya I. STATISZTIKAI ALAPOK 6 8
9 Sokaság és mita a sokaság érdekel a mita va a kezükbe az egy év alatt gyártott darabok sokasága (mi a mita?) a lehetséges mérési eredméyek sokasága (mi a mita?) a lehetséges gyártott darabok sokasága (mi a mita?) I. STATISZTIKAI ALAPOK 7 Diszkrét valószíőségi változó Dobjuk föl egy pézérmét kimeetel: fej/írás (véletle) Kísérlet: dobjuk föl a pézérmét -szer eredméy: #fej,,,,9, valószíőségi függvéy, eloszlásfüggvéy p() I. STATISZTIKAI ALAPOK 8 9
10 Diszkrét valószíőségi változó p() F() ( k) P( k) F( k ) P( k) p( i ) p k I. STATISZTIKAI ALAPOK 9 i Folytoos valószíőségi változó.4 f() rel. gyak. a b P ( a < b) f ( ) b a d sőrőségfüggvéy I. STATISZTIKAI ALAPOK
11 Folytoos valószíőségi változó..8 F() F() kum.rel.gyak eloszlásfüggvéy F( i ) F I. STATISZTIKAI ALAPOK i i ( ) P( ) f ( ) i i d Paraméter és statisztika sokaság mita várható érték: számtai átlag: E( ) µ N N i i mediá variacia tapasztalati mediá szóráségyzet (korrigált) Var ( ) N σ ( ) s i N i I. STATISZTIKAI ALAPOK
12 Várható értékre és variaciára voatkozó azoosságok [ ] ce [ ] Var [ c] c Var [ ] E c I.. példa Egy lombikba töltött folyadék térfogatáak várható értéke.5cm 3, a térfogat variaciája 4-4 (cm 3 ). Mekkora a várhatóérték és a variacia mm 3 -be? Jelölje a térfogatot cm 3 be. [ ] E E ( ) [ ] Var Var A várható érték.5 3 mm 3, a variacia 4 (mm 3 ). I. STATISZTIKAI ALAPOK 3 Függetle valószíőségi változókra voatkozó azoosságok [ + + ] [ ] + [ ] + [ ] E E E E 3 3 [ + + ] [ ] + [ ] + [ ] Var Var Var Var 3 3 Ha midegyik i azoos eloszlású és függetle: [ ] E[ ] és Var [ ] Var [ ] E i [ ] [ ] [ ] [ ] E E Var Var... i mide i-re Példa azoos eloszlású függetle változókra: ismételt mérések. A mérések függetlesége ebbe az esetbe a hibák függetleségét jeleti. I. STATISZTIKAI ALAPOK 4
13 Módusz, mediá, várható érték módusz várható érték 8 mediá I. STATISZTIKAI ALAPOK 5 A legfotosabb folytoos eloszlás: ormális eloszlás f ( ) µ ep πσ σ Két paramétere va: µ és σ I. STATISZTIKAI ALAPOK 6 3
14 µ külöbözı f() σ külöbözı I. STATISZTIKAI ALAPOK 7 Várható értéke és variaciája: E ( ) µ Var( ) σ Rövid jelölése: ( µ,σ ), N pl. N (,) A ormális eloszlás sőrőségfüggvéye (f()) aalitikusa em itegrálható, ezért az eloszlásfüggvéy (F()) értékét umerikusa kell kiszámoli. A umerikus itegrálás eredméyei táblázatos formába redelkezésre állak az N(,) eloszlásra. Mi a teedıµ és/vagy σ eseté? Célszerő traszformációt keresük I. STATISZTIKAI ALAPOK 8 4
15 Normalizált (stadardizált) ormális eloszlás z µ σ f z ( z) ep π E ( z) Var ( z) Megjegyzés: A magyar szakirodalomba a stadard ormális eloszlású változó jelölésére a z mellett az u is elterjedt. I. STATISZTIKAI ALAPOK 9 I.. példa Határozzuk meg aak valószíőségét, hogy az ormális eloszlású valószíőségi változó a µ±σ, µ±σ illetve µ±3σ itervallumba esı értéket vesz fel! (Pl. azt kérdezzük, hogy milye valószíőséggel esik a ±.5 itervallumba, ha µ, σ.5) ( µ σ < µ + σ ) ( µ + σ ) ( µ σ ) P P P alsó fölsı -re ics táblázat, csak z-re traszformáció z µ σ z alsó µ σ µ µ + σ µ z fölsı σ σ I. STATISZTIKAI ALAPOK 3 5
16 P( µ + σ ) P( µ σ ) µ σ µ - µ +σ z z µ σ ( µ σ µ σ ) ( ) P < + P < z F() F( ) I. STATISZTIKAI ALAPOK 3 ( µ σ < µ + σ ) ( ) ( < ) P P P fölsı alsó alsó fölsı ±σ ±σ ±3σ F( ) P( ) fölsı fölsı F( ) P( ) alsó alsó P( < ) alsó fölsı I. STATISZTIKAI ALAPOK 3 6
17 I.3. példa Határozzuk meg, hogy egy µ σ.5 ormális eloszlású valószíőségi változó értékei milye szimmetrikus itervallumba vaak 95 %-os, ill. 99 %-os valószíőséggel! α.5. -α α/ z α/ α.5. alsó fölsı.98.9 ( ) P µ z σ < µ + z σ α α / α / alsó fölsı I. STATISZTIKAI ALAPOK 33 α/ α/ alsó -z α/ µ fölsõ z α/ z I. STATISZTIKAI ALAPOK 34 7
18 A számtai középérték ( ) i E ( ) [ E( ) ] E( ) µ ( ) Var σ Var( ) σ I. STATISZTIKAI ALAPOK 35 Cetrális határeloszlási tétel Bármilye eloszlású sokaságból vett miták számtai középértéke közelítıleg ormális eloszlást követ az eredeti eloszlás várható értéke körül, variaciája pedig σ /. Tehát a számtai átlag közelítıleg N(µ, σ /) eloszlású. I. STATISZTIKAI ALAPOK 36 8
19 PARAMÉTERBECSLÉS ÉS KONFIDENCIA- INTERVALLUM Becslésél a sokaság tulajdoságára (paraméterére) következtetük a mita adatai (jellemzıi) alapjá. A becslés a mitából kiszámított statisztika (pl. a várható érték egyik lehetséges becslése lehet a mitaelemek számtai középértéke). II. PARAMÉTERBECSLÉS 37 A becslés valószíőségi változó f ( Θɵ ) a b c a jobb becslés mit b, mert kisebb az igadozása c-re a várható érték em a Θ paraméter paraméter Θ II. PARAMÉTERBECSLÉS 38 Θ ɵ 9
20 Torzítatla becslés: E( Θ ) A becslések tulajdoságai ɵ Θ. torzítás: E( ɵθ ) Θ korrekció: Θ E( Θɵ ) Aszimptotikusa torzítatla becslés: E( Θ ) lim ɵ Θ. II. PARAMÉTERBECSLÉS 39 torzítatla ( ) Θ E ˆ Θ Példa: Θ µ µˆ E ( ) µ torzítatla i i ˆ µ 4 E( 4 ) µ torzítatla II. PARAMÉTERBECSLÉS 4
21 A becslés hatásosságáak mértéke a variaciája. Miél kisebb a variacia, aál hatásosabb (efficiesebb) a becslés. Példa µˆ Var( ) ˆ 4 σ µ ( ) Var 4 σ hatásosabb kevésbé hatásos II. PARAMÉTERBECSLÉS 4 Kozisztes becslés: P( ) Θˆ Θ lim Θɵ Θ > ε. A mita elemszámáak övelésével a becslés a paraméter igazi értékéhez tart, potosabba övelésével egyre csökke aak valószíősége, hogy Q-tól jeletıse eltérje. µˆ ˆ µ 4 kozisztes em kozisztes Mea square error ( ˆ ) ( ˆ ) MSE E Θ Θ Var Θ + bias II. PARAMÉTERBECSLÉS 4
22 Becslési módszerek legkisebb égyzetek módszere: a mért adatok és a becslés közötti eltérések égyzetösszegét miimalizálja, pl. ( i ɵ µ ) mi maimum-likelihood módszer: azt a sőrőségfüggvéyt, illetve paramétereit fogadjuk el becsléskét, amelybıl a legagyobb valószíőséggel kapák a téylegese kapott mérési adatokat. i II. PARAMÉTERBECSLÉS 43 i N f f f3 Normális eloszlás és kostas σ eseté a maimum-likelihood és a legkisebb égyzetek módszer azoos becslést eredméyez. II. PARAMÉTERBECSLÉS 44
23 A becslés kivitelezése Potbecslés (egyetle értéket ad meg) Itervallumbecslés: kofidecia itervallum, amely bizoyos valószíőséggel magába foglalja a paraméter igazi értékét: kétoldali megbízhatósági itervallum egyoldali megbízhatósági itervallum (alsó vagy fölsı határérték) II. PARAMÉTERBECSLÉS 45 Pl. a várható értékre egy L és U határolta itervallum: ( U) P L µ α A A ( α ) ( α ) %-os alsó L határ: ( ) P L µ α %-os fölsı U határ: P ( U ) µ α II. PARAMÉTERBECSLÉS 46 3
24 II.. példa A tömegmérés variaciája s - g és az eloszlás ormális. a) Adjuk 99%-os kétoldali kofidecia-itervallumot az eloszlás várható értékére egyetle darab alapjá, melyre a mérés eredméye 5 g! P( z < z z ).99 α / α / α z II. PARAMÉTERBECSLÉS 47 ( σ µ σ ) P z < + z α / α /.99 α.-hez z α/ P ( < µ ). 99 II. PARAMÉTERBECSLÉS 48 4
25 b) Adjuk 99%-os kétoldali kofideciaitervallumot az eloszlás várható értékére több alkatrész átlaga alapjá! P( z < z z ).99, z α / α / α P ( < µ < ). 99 ( ) P < µ. 99 II. PARAMÉTERBECSLÉS 49 A kofideciaitervallum félszélessége az ismétlések számáak függvéyébe z α / / / σ II. PARAMÉTERBECSLÉS 5 5
26 II.. példa Adjuk a I.. példába szereplı mérési eredméyek várható értékére 95 %-os megbízhatóságú alsó határt! s. 894 s. 965 P( L µ ). 95 t s µ II. PARAMÉTERBECSLÉS 5 P( µ ). 95 A ν szabadsági fokhoz t.5 P( µ ). 95 II. PARAMÉTERBECSLÉS 5 6
27 II.3. példa Milye értéket em halad meg a I.. példába szereplı mérési eredméyek variaciájára 95 %-os valószíőséggel! s. 894 s. 965 ( U ). 95 Pσ s χ σ ν II. PARAMÉTERBECSLÉS 53 P( σ ).95 A ν szabadsági fokhoz χ alsó P( σ ).95 II. PARAMÉTERBECSLÉS 54 7
28 HIPOTÉZISVIZSGÁLATOK, STATISZTIKAI PRÓBÁK Statisztikai következtetés: a sokaság érdekel, de a mita va a kezükbe. Az alapsokaságra voatkozóa valamilye feltevéssel élük (pl. µ és/vagy σ értéke) és azt statisztikai próbával elleırizzük. Jöhetek-e az adatok olya eloszlásból? Pl.: H : µ µ H : µ µ ullhipotézis ellehipotézis III. STATISZTIKAI PRÓBÁK 55 z-próba H : µ µ H : µ µ z µ σ z µ próbastatisztika σ Ha H igaz, z ~ z Ha z olya értékeket vesz föl, amilyeeket z szokott, elfogadjuk H -t. III. STATISZTIKAI PRÓBÁK 56 8
29 ( < z z ) α P -z a a H α/ elutasítás -z α/ elfogadás α/ z α/ z elutasítás P -z µ < z H α σ a a µ α / / + α / σ z σ < < µ z / z σ < µ < z / α / / + α / σ a kofidecia-itervallum tartalmazza a µ értéket III. STATISZTIKAI PRÓBÁK 57 z-próba kiszámítjuk a próbastatisztika aktuális értékét: z σ µ µ µ µ + σ σ értéke, ha H igaz H : µ µ z-eloszlású H : µ µ, vagy H : µ < µ, vagy H : µ >. µ III. STATISZTIKAI PRÓBÁK 58 9
30 kijelöljük az elfogadási tartomáyt az elıírt α szigifikaciaszithez Pl. H : µ µ eseté P -z µ µ < z a α σ P z σ a a megvizsgáljuk, hogy a próbastatisztika kiszámított értéke az elfogadási tartomáyba va-e ha ige, elfogadjuk a ullhipotézist III. STATISZTIKAI PRÓBÁK 59 A statisztikai programcsomagok kiszámolják p értékét Pl. H µ > eseté : µ ( z ) p P > z ha p > α, elfogadjuk a ullhipotézist p z III. STATISZTIKAI PRÓBÁK 6 3
31 A statisztikai programcsomagok kiszámolják p értékét Pl. H µ eseté : µ (-z < z z ) P( z ) p P > z ha p > α, elfogadjuk a ullhipotézist p/ p/ -z z III. STATISZTIKAI PRÓBÁK 6 Elsı- és másodfajú hiba dötés ullhipotézis a H hipotézist elfogadjuk elutasítjuk H igaz helyes dötés elsıfajú hiba (α) H em igaz másodfajú hiba (β) helyes dötés III. STATISZTIKAI PRÓBÁK 6 3
32 A másodfajú hiba valószíősége f(z H ) f(z H ) α/ β α/ (µ -µ )/(σ / ) III. STATISZTIKAI PRÓBÁK 63 Mőködési jelleggörbe (OC-görbe ) β µ µ III. STATISZTIKAI PRÓBÁK 64 3
33 III.. példa Táramérlege égy ismételt tömegméréssel határoztuk meg egy tárgy tömegét. A 4 mérésbıl álló mita számtai középértéke 5.5 g. Korábbi mérésekbıl tudjuk, hogy a mérés variaciája s -4 g. El kell döteük, hihetı-e, hogy a várható érték (a tárgy valódi tömege) 5. g. III. STATISZTIKAI PRÓBÁK 65 : µ 5., H : µ 5. H 5.5, σ 4, 4, α.5 z σ µ z a III. STATISZTIKAI PRÓBÁK 66 33
34 III.. példa Egy ayag miısége egyértelmőe jellemezhetı a sőrőségével, melyek kíváatos értéke kisebb, mit.54. A gyártás sorá szerzett eddigi ismeretek szerit a mérés potosságára jellemzı variacia égyzetgyöke σ.3. A vizsgálat meete a következı: -szer mitát veszük a miısítedı legyártott tételbıl, midegyik mita sőrőségét megmérjük, átlagoljuk: az így kapott átlagos sőrőség. Ha az átlagos sőrőség meghalad egy bizoyos * határértéket, az adagot rosszak, ha kisebb ála, jóak miısítjük. III. STATISZTIKAI PRÓBÁK 67 Hogy a jó tételt majdem midig elfogadjuk, a rosszakat majdem midig elutasítsuk, a következı kíváalmakat adjuk meg: ha µ.5, 99 % legye a valószíősége, hogy jóak miısítsük, ha µ.54, 98 % legye a valószíősége, hogy rosszak miısítsük az adagot. A ullhipotézis és az ellehipotézis: H : µ µ. 5 H : µ µ. 54 (a tétel jó); (a tétel rossz). III. STATISZTIKAI PRÓBÁK 68 34
35 Az elsıfajú hiba megegedett valószíősége α., A másodfajú hiba megegedett valószíősége β.. A kimutatadó, jeletısek miısítedı külöbség:.4. A feladat: határozzuk meg a veedı miták számát és az * határértéket. III. STATISZTIKAI PRÓBÁK 69 Kritikus értékek az elsı- és másodfajú hibához H β -z β H α z α.5.54 sőrőség III. STATISZTIKAI PRÓBÁK 7 35
36 36 III. STATISZTIKAI PRÓBÁK 7 Fejezzük ki azt az határt, amelyet -α valószíőséggel em halad meg, ha H igaz (az ábra alsó része): * ( ) α σ µ α α H z P H u z P ( ) ( ) ( ) α µ ασ α + * H P z P H z z P z σ µ α + * H III. STATISZTIKAI PRÓBÁK 7 Másodfajú hibát akkor követük el, ha H az igaz ( ), de mivel, elfogadjuk a H hipotézist. Eek valószíősége: z σ µ β * H z α z µ µ 54. ( ) ( ) P H P H z z P σ µ σ µ β α * * β σ µ β z P /
37 A kimutatadó, jeletısek miısített külöbség: µ µ A két egyelet jobb oldalát egymással egyelıvé téve, majd átredezve: µ ( zα + z ) σ µ β ( z + z ) α ( µ µ ) β σ III. STATISZTIKAI PRÓBÁK 73 Esetükbe: z α z β * 5. σ. 3 III. STATISZTIKAI PRÓBÁK 74 37
38 Egymitás t-próba H :µ µ H :µ µ t µ µ + µ µ t + µ µ s s s s P -t a < µ t s a α III. STATISZTIKAI PRÓBÁK 75 III.3. példa Egy aalitikai módszer torzítatlaságáak vizsgálatára 5 ismételt mérést végeztek egy 3.5% ismert kocetrációjú muka-stadarddel. Az eredméyek: 3.5, 3.7, 3.4, 3.6 és 3.4. Elfogadva, hogy az adatok közelítıleg ormális eloszlásúak, elleırizzük 5%-os szigifikaciaszite a torzítatlaság hipotézisét! s H : H : µ s t t α / III. STATISZTIKAI PRÓBÁK 76 38
39 Statisztikai próba és kofidecia-itervallum Kétoldali eset Elfogadási tartomáy: t < t < t α α Átredezve µ t s -t s < µ t a a s -t s < µ + t a a s A µ várható érték -α valószíőségő kofidecia-itervalluma -t s < µ + t a a s III. STATISZTIKAI PRÓBÁK 77 -t s < µ + t a a s Elfogadjuk a ullhipotézist (µ µ ), ha a kofideciaitervallum tartalmazza a µ feltételezett várható értéket. III. STATISZTIKAI PRÓBÁK 78 39
40 Statisztikai próba és kofidecia-itervallum egyoldali esetre H µ µ H : µ > µ : t µ µ µ µ µ µ + t + s s s s Az elfogadási tartomáy: µ s t α t α µ P s s µ t α H α A ullhipotézist akkor fogadjuk el, ha µ bee va a várható érték -α valószíőségő alsó egyoldali kofidecia-tartomáyába. III. STATISZTIKAI PRÓBÁK 79 III.4 példa : µ µ 5µg kg : µ > µ 5µg kg H Meg kell tauluk potosa kérdezi H Ha elutasítjuk H -t, azt látjuk bizoyítva, hogy a megegedettél több va bee. Ha elfogadjuk H -t, semmit em látuk bizoyítva. : µ µ 5µg kg : µ < µ 5µg kg H H Ha elutasítjuk H`-t, azt látjuk bizoyítva, hogy a megegedettél kevesebb va bee. Ha elfogadjuk H`-t, semmit em látuk bizoyítva. Mit akaruk bizoyítai? III. STATISZTIKAI PRÓBÁK 8 4
41 Egyoldali ellehipotézis III.5. példa Az aflatoi-példa folytatása: Háy ismételt aalízis szükséges ahhoz, hogy kimutassuk, ha 5µg/kg helyett 5.5µg/kg a kocetráció? H : µ µ H : µ > µ 5µg 5µg kg kg H III. STATISZTIKAI PRÓBÁK 8 Null Hypothesized Mea (Mu) True Populatio Mea (Mu) Populatio S.D. (Sigma) Stadardized Effect (Es) Type I Error Rate (Alpha) Power Goal Actual Power for Required N Required Sample Size (N) Sample Size Calculatio Oe Mea, t-test H: Mu < Mu Value III. STATISZTIKAI PRÓBÁK 8 4
42 3 Sample t-test: Sample Size Calculatio Oe Mea, t-test (H: Mu < Mu) Sample Size vs. Es (Alpha.5, Power Goal.9) 5 Required Sample Size (N) Stadardized Effect (Es) III. STATISZTIKAI PRÓBÁK 83 Egy ayagba a szeyezés ma. megegedett kocetrációja.%. Adjuk meg a ullhipotézist és az ellehipotézist! III. STATISZTIKAI PRÓBÁK 84 4
43 J. H. Steiger, R.T. Fouladi: Nocetrality Iterval Estimatio ad the Evaluatio of Statistical Models, Chapter 9 i: L.L. Harlow, S.A. Mulaik, J.H. Steiger: What if there were o sigificace tests? Mahwah, NJ: Erlbaum (997).8 Mea; Whisker: Mea±.95 Cof. Iterval I II III IV III. STATISZTIKAI PRÓBÁK 85 χ -próba a variacia vizsgálatára :σ σ H H :σ > σ Ha H igaz, akkor a következı kifejezés χ -eloszlású, szabadsági foka: ν χ s ( ) ( ) σ, P s σ χα α III. STATISZTIKAI PRÓBÁK 86 43
44 III.6. példa TABLE 4.3. Data o the amout of wear measured with two differet materials A ad B, boy s shoes eample* boy material A material B B A differece d 3.(L) 4.(R).8 8.(L) 8.8(R).6 3.9(R).(L) (L) 4.(R) (R).8(L) (L) 6.4(R) (L) 9.8(R).3 8.8(L).3(R) (R) 9.3(L).5 3.3(L) 3.6(R).3 average differece.4 III. STATISZTIKAI PRÓBÁK 87 Elleırizzük a fiúcipı-példa A talpayagára α.5-os szigifikaciaszite, hogy elfogadható-e az az állítás, mely szerit a sokaság szórása (s) legfeljebb.5! Descriptive Statistics (Fiucipo.sta) Valid N Std.Dev. Cofidece SD Cofidece SD Variable -9.% +9.% TALPA III. STATISZTIKAI PRÓBÁK 88 44
45 Mekkora eltérést tudák kimutati? α.5, β., Power vs. Var. Oe Variace: Power Calculatio Chi-square Variace Test (H: Var < 6.5) Power vs. Populatio Variace (Alpha.5, Df 9) Power Populatio Variace (Var) III. STATISZTIKAI PRÓBÁK 89 Mekkora mita kellee.5 4 szórás kimutatásához? Variace uder H (Var) Populatio Variace (Var) Type I Error Rate (Alpha) Power Goal Actual Power for Required Df Required Degrees of Freedom (Df) Sample Size Calculatio Oe Variace, Chi-Square Test H: Var < Var Value III. STATISZTIKAI PRÓBÁK 9 45
46 III.7. példa A III.3. példa adatai alapjá elleırizzük α.5-os szigifikaciaszite, hogy elfogadható-e az az állítás, mely szerit a mérési módszer variaciája (s ) legfeljebb -4 (%). III. STATISZTIKAI PRÓBÁK 9 s.338 s.7-4 H H : : χ 5, ν χ... ( ν ) III. STATISZTIKAI PRÓBÁK 9 46
47 Két szóráségyzet összehasolítása (F-próba) :σ σ H A próbastatisztika: F ; (, ) s s Egyik oldali ellehipotézis eseté: H Akkor utasítjuk el a ullhipotézist, ha s / s > F α :σ > σ III. STATISZTIKAI PRÓBÁK 93 Kétoldali ellehipotézis eseté: H Akkor utasítjuk el a ullhipotézist, ha :σ σ s s < F -a/ vagy s s < F a/ s / s elég az elfogadási tartomáy fölsı határát elleırizi 95 %-os egyoldali szit a 9 %-os kétoldali szitek III. STATISZTIKAI PRÓBÁK 94 47
48 III.8. példa Elleırizzük, hogy a fiúcipı-példa A és B talpayaga kopásáak variaciája megegyezik-e α.-es szigifikaciaszite! T-test for Idepedet Samples (Fiucipo.sta) Note: Variables were treated as idepedet samples Mea Mea t-value df p Valid N Valid N Std.Dev. Std.Dev. F-ratio p Group vs. Group Group Group Group Group Group Group Variaces Variaces TALPA vs. TALPB III. STATISZTIKAI PRÓBÁK 95 Mekkora aráy kellee ahhoz, hogy észrevegyük a külöbséget? α.5, β., III. STATISZTIKAI PRÓBÁK 96 48
49 Power vs. Ratio. F-test o Two Variaces: Power Calculatio F-test o Two Variaces (H: Var Var) Power vs. Variace Ratio (Df 9, Df 9, Alpha.5) Power Variace Ratio ( Var/Var ) III. STATISZTIKAI PRÓBÁK 97 Kétmitás t-próba Adott a két függetle mita elemszáma ( és ), s s és szóráségyzetük ( és ). Tételezzük fel, hogy a két sokaság variaciája megegyezik. (Ezt F-próbával elleırizi kell!) d ( ) ( ) ( ) E d µ µ Var d Var σ / + σ / III. STATISZTIKAI PRÓBÁK 98 49
50 s s s + d [ s ( ) s ( ) ] A következı kifejezés t-eloszlású t d E d s d ( ) d E( d) s +, ν + III. STATISZTIKAI PRÓBÁK 99 µ µ H : E d, ekkor ( ) A próbastatisztika: t d- s d s d +, ν ( ) + ( ) A σ σ feltevést F-próbával elleırizzük III. STATISZTIKAI PRÓBÁK 5
51 Két mita összehasolítása III.9. példa Két cipıtalp-ayag kopását hasolítjuk össze, - fiú lábá, a haszálat sorá. Vizsgáljuk meg.5-os szite, va-e külöbség a két ayag kopása között! átlag szóráségyzet A B III. STATISZTIKAI PRÓBÁK H : H : F F. 5 (, ) ν ν ν ν H : H : t t 5 ( ). ν ν Kofidecia-itervallum σ -re: III. STATISZTIKAI PRÓBÁK 5
52 Feltételezhetjük, hogy a két sokaság variaciája megegyezik? (Fpróba!) H µ µ : H µ µ : T-test for Idepedet Samples (Fiucipo.sta) Note: Variables were treated as idepedet samples Mea Mea t-value df p Valid N Valid N Std.Dev. Std.Dev. F-ratio p Group vs. Group Group Group Group Group Group Group Variaces Variaces TALPA vs. TALPB III. STATISZTIKAI PRÓBÁK 3 T-test for Idepedet Samples (Fiucipo.sta) Note: Variables were treated as idepedet samples Mea Mea t-value df p Valid N Valid N Std.Dev. Std.Dev. F-ratio p Group vs. Group Group Group Group Group Group Group Variaces Variaces TALPA vs. TALPB T-test for Idepedet Samples (Fiucipo.sta) Note: Variables were treated as idepedet samples Mea Mea t-value df p t separ. df p Group vs. Group Group Group var.est. -sided TALPA vs. TALPB III. STATISZTIKAI PRÓBÁK 4 5
53 3. Bo & Whisker Plot TALPA vs. TALPB TALPA TALPB Mea Mea±SE Mea±.96*SE T-test for Idepedet Samples (Fiucipo.sta) Note: Variables were treated as idepedet samples Mea Mea t-value df p Valid N Valid N Std.Dev. Std.Dev. F-ratio p Group vs. Group Group Group Group Group Group Group Variaces Variaces TALPA vs. TALPB III. STATISZTIKAI PRÓBÁK 5 A próba ereje ( β ) Idepedet Sample t-test: Power Calculatio Two Meas, t-test, Id. Samples (H: Mu Mu) Power vs. Es (N, N, Alpha.5) Power µ µ A σ B Stadardized Effect (Es) III. STATISZTIKAI PRÓBÁK 6 53
54 . OC görbe.8 β.6 σ σ valódi külöbség III. STATISZTIKAI PRÓBÁK 7 Páros t-próba ( d ) H : E d i i y i.... y összefüggı (em függetle) miták III. STATISZTIKAI PRÓBÁK 8 54
55 Páros t-próba ( ) ( ) H : E i E y d y i ( ) ( ) ( ) E d E E y i i i A párokéti eltérés átlagértéke: d szóráségyzete: s d ( di-d) i i i di d i i - - i d i III. STATISZTIKAI PRÓBÁK 9 A következı kifejezés t-eloszlású: ( ) t d E d s / d A próbastatisztika: t d s / d III. STATISZTIKAI PRÓBÁK 55
56 III.. példa TABLE 4.3. Data o the amout of wear measured with two differet materials A ad B, boy s shoes eample* boy material A material B B A differece d 3.(L) 4.(R).8 8.(L) 8.8(R).6 3.9(R).(L) (L) 4.(R) (R).8(L) (L) 6.4(R) (L) 9.8(R).3 8.8(L).3(R) (R) 9.3(L).5 3.3(L) 3.6(R).3 average differece.4 III. STATISZTIKAI PRÓBÁK 5 3 wear boys material A material B FIGURE 4.. Data o two differet materials A ad B, used for makig soles of boy s shoes. III. STATISZTIKAI PRÓBÁK 56
57 s d. 49 s d s d t B - A FIGURE 4.3. Differeces B A for data i Figure 4.., boy s shoes eample boys III. STATISZTIKAI PRÓBÁK 3 T-test for Depedet Samples (Fiucipo) Marked differeces are sigificat at p <.5 Mea Std.Dv. N Diff. Std.Dv. t df p TALPB TALPA III. STATISZTIKAI PRÓBÁK 4 57
58 , OC görbe a fiúcipı példához,8 β,6 σ ( mitás),4, σ.88 ( mitás) σ.75 (páros) σ.66 (páros), valódi külöbség III. STATISZTIKAI PRÓBÁK 5 Illeszkedésvizsgálat A feladat aak eldötése, hogy a mita egy adott eloszlású sokaságból származik-e. Ha a ormális eloszláshoz való illeszkedés a kérdés, ormalitásvizsgálatról beszélük. IV. ILLESZKEDÉSVIZSGÁLAT 6 58
59 Illeszkedésvizsgálat H : a mita egy adott eloszlású sokaságból származik pl. ormalitásvizsgálat statisztikai próbával agy mitára χ -, Kolmogorov-Szmirov-próba, kisebb erı kisebb mitára Aderso-Darlig, Rya-Joier (Shapiro Wilk), agyobb (hasoló) erı grafikusa Probability plot IV. ILLESZKEDÉSVIZSGÁLAT 7 IV.. példa Az valószíőségi változóra redelkezésükre álló összese elemő mitát soroljuk osztályokba, ahogy a hisztogram készítéséél szokás. Jelölje r az osztályok számát. Az i-edik osztályba esı mitaelemek számát jelölje i (i,,..., r). Az i-edik osztály alsó és fölsı határát jelöljük ia -val ill. if- fel. Egy 5 elemő mita ilye csoportosítását mutatja a következı ábra és táblázat. IV. ILLESZKEDÉSVIZSGÁLAT 8 59
60 6 Variable: Adatok, Distributio: Normal Kolmogorov-Smirov d.673, Chi-Square test , df (adjusted), p No. of observatios Category (upper limits) IV. ILLESZKEDÉSVIZSGÁLAT 9. 6 s. 896 z if if s ia if i i F ( if ) i j j z ia z if F( ia ) F( if ) < IV. ILLESZKEDÉSVIZSGÁLAT 6
61 Illeszkedésvizsgálat statisztikai próbával Az elıfordulások i számából kiszámítjuk az i / relatív gyakoriságokat és a tapasztalati F () eloszlásfüggvéyt (az egyes i-edik osztályokbeli elıfordulások kumulált relatív gyakoriságát). A ormális eloszlásból kiszámíthatjuk az egyes osztályokba várható elıfordulások számát: ( ) ( ) ( ) p P < F F i ia if if ia IV. ILLESZKEDÉSVIZSGÁLAT Az elméleti F() eloszlásfüggvéy értékeit a z változó keresztül számítjuk: z µ σ melyhez természetese szükség va a µ várható érték és a σ variacia becslésére. Esetükbe: ɵ µ. 6 σ ɵ s IV. ILLESZKEDÉSVIZSGÁLAT 6
62 A Kolmogorov Szmirov-próba próbastatisztikája: ( ) ( ) d F F D ma d elméleti eloszlásfüggvéy tapasztalati eloszlásfüggvéy Mide osztály if fölsı határához kiszámítjuk a d eltérést és a maimális eltérést (D) összevetjük az a szigifikaciaszithez a Függelék táblázatából leolvasható kritikus értékkel. Az adott eloszláshoz való jó illeszkedést (ullhipotézis) elfogadjuk, ha D kisebb a kritikus értékél. IV. ILLESZKEDÉSVIZSGÁLAT 3 ia if F ( if ) i j j F( ia ) F( if ) p i d i < D D.5 (5).88 A Kolmogorov Szmirov-próbához miél több osztályba kell soroli az adatokat, de legalább 5 osztály szükséges. Szokás ezért úgy is eljári, hogy mide egyes i adat külö osztály legye, midegyikre kiszámítható z i, F( i ) és a D próbastatisztika. IV. ILLESZKEDÉSVIZSGÁLAT 4 6
63 A χ -próba próbastatisztikája: r i ( p ) i p i i ahol ( ) ( ) p F F i if ia Az osztályokba sorolást úgy kell elvégezi, hogy mide osztályba az elméleti eloszlásból számított elıfordulási szám (p i ) agyobb legye 5-él. Példák szeriti osztályba sorolásál ez az., 6., és 7. osztályra em teljesül, azokat tehát össze kell voi. Az összevoás utái 5 osztályt vastag voal jelzi. IV. ILLESZKEDÉSVIZSGÁLAT 5 A próbastatisztika elég agy r eseté jó közelítéssel χ - eloszlású, r szabadsági fokkal, ha az eloszlás paraméterei adottak. Ha a paramétereket is becsülük kell, akkor r -et még a mitából becsült paraméterek számával csökketei kell. Normális eloszlásál két paraméter, a µ és σ becsüledı a mitából, a szabadsági fok így r 3. A próbastatisztika kiszámított értéke 3.743, a szabadsági foka 5 osztályra 5 3, a táblázatbeli kritikus érték az elsõfajú hiba α.5 megegedett valószíőségéhez 5.99, tehát a ullhipotézist (hogy az adatok ormális eloszlásból származak) elfogadjuk. IV. ILLESZKEDÉSVIZSGÁLAT 6 63
64 Shapiro Wilk-próba A statisztikai programokba alkalmazott moder próba. Az irodalom szerit a Shapiro Wilk-próba erısebb (kisebb valószíőséggel vét másodfajú hibát), mit sok más próba. A próbastatisztika: W k i ( ) a y y i+ i+ i ( yi y) i ahol k, ha páros; k, ha páratla IV. ILLESZKEDÉSVIZSGÁLAT 7 Illeszkedésvizsgálat grafikus módszerrel 3 Normal Probability Plot of Adatok (illeszkedes.sta v*5c) Epected Normal Value Adatok: SW-W , p.4observed Value IV. ILLESZKEDÉSVIZSGÁLAT 8 64
65 .4 Probability-Probability Plot of Adatok (illeszkedes.sta v*5c) Distributio: Normal(.6,.896). Empirical cumulative distributio Theoretical cumulative distributio IV. ILLESZKEDÉSVIZSGÁLAT 9.5 Quatile-Quatile Plot of Adatok (illeszkedes.sta v*5c) Distributio: Normal Adatok.6+.86* Observed Value Theoretical Quatile IV. ILLESZKEDÉSVIZSGÁLAT 3 65
66 F(z). % 5.8 8% Percet of obs 6% 4% 3. % z % 9,674 9,883 9,946,839,8, Epected Normal Value ,6 9,7 9,8 9,9,,,,3,4 Observed Value IV. ILLESZKEDÉSVIZSGÁLAT 3 A ormális eloszlástól való eltérés okai és kiküszöbölésük strukturált adatok multimodalitás csoportok változó körülméyek kiugró értékek... léyegileg (a jeleség természete miatt) em ormális eloszlású adatok traszformáció pl. logormális: logaritmusa ormális Bo-Co IV. ILLESZKEDÉSVIZSGÁLAT 3 66
67 IV. ILLESZKEDÉSVIZSGÁLAT 33 IV. ILLESZKEDÉSVIZSGÁLAT 34 67
68 (ru charts) IV. ILLESZKEDÉSVIZSGÁLAT 35 68
A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
RészletesebbenA szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai
05..04. szórások vizsgálata z F-próba Hogya foguk hozzá? Nullhipotézis: a két szórás azoos, az eltérés véletle (mitavétel). ullhipotézishez tartozik egy ú. F-eloszlás. Szabadsági fokok: számláló: - evező:
RészletesebbenA matematikai statisztika elemei
A matematikai statisztika elemei Mikó Teréz, dr. Szalkai Istvá szalkai@almos.ui-pao.hu Pao Egyetem, Veszprém 2014. március 23. 2 Tartalomjegyzék Tartalomjegyzék 3 Bevezetés................................
RészletesebbenA statisztika részei. Példa:
STATISZTIKA Miért tauljuk statisztikát? Mire haszálhatjuk? Szakirodalom értő és kritikus olvasásához Mit állít egyáltalá a cikk? Korrektek-e a megállaítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez,
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenStatisztikai hipotézisvizsgálatok
Statisztikai hipotézisvizsgálatok. Milye problémákál haszálatos? A gyakorlatba agyo gyakra szükségük lehet arra, hogy mitákból származó iformációk alapjá hozzuk sokaságra voatkozó dötéseket. Például egy
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenStatisztika 1. zárthelyi dolgozat március 21.
Statisztika 1 zárthelyi dolgozat 011 március 1 1 Legye X = X 1,, X 00 függetle mita b paraméterű Poisso-eloszlásból b > 0 Legye T 1 X = X 1+X ++X 100, T 100 X = X 1+X ++X 00 00 a Milye a számra igaz, hogy
RészletesebbenKutatói pályára felkészítı modul
Kutatói pályára felkészítı modul Kutatói pályára felkészítı kutatási ismeretek modul Tudomáyos kutatási alapayag feldolgozása, elemzési ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 10. A statisztika alapjai Debrecei Egyetem, 2015 Dr. Bérczes Attila, Bertók Csaád A diasor tartalma 1 Bevezetés 2 Statisztikai függvéyek Defiíció, empirikus várható érték Empirikus
Részletesebben7. el adás Becslések és minta elemszámok. 7-1. fejezet Áttekintés
7. el adás Becslések és mita elemszámok 7-1. fejezet Áttekités 7-1 Áttekités 7- A populáció aráy becslése 7-3 A populáció átlag becslése: σismert 7-4 A populáció átlag becslése: σem ismert 7-5 A populáció
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
RészletesebbenIntervallum Paraméteres Hipotézisek Nemparaméteres. Statisztika december 2.
Itervallum Paraméteres Hipotézisek Nemparaméteres Statisztika Hipotézisvizsgálat Székely Balázs 2010. december 2. Itervallum Paraméteres Hipotézisek Nemparaméteres Előadás vázlat 1 Itervallumbecslések
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
RészletesebbenMatematikai statisztika
Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika
RészletesebbenStatisztika 1. zárthelyi dolgozat március 18.
Statisztika. zárthelyi dolgozat 009. március 8.. Ismeretle m várható értékű, szórású ormális eloszlásból a következő hatelemű mitát kaptuk:, 48 3, 3, 83 0,, 3, 97 a) Számítsuk ki a mitaközepet és a tapasztalati
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
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
Részletesebben6. Minısítéses ellenırzı kártyák
6. Miısítéses elleırzı kártyák Sokszor elıfordul, hogy a termék-egyedek miıségét em tudjuk mérhetı meyiségekkel jellemezi, csak megfelelı/em megfelelı kategóriákba sorolhatjuk ıket, és a hibás darabokat,
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
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
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
RészletesebbenStatisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat
Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
Részletesebben2. egy iskola tanulói, a változók: magasságuk cm-ben, súlyuk (tömegük) kilóban; 3. egy iskola tanulói, a változó: tanulmányi átlaguk;
Statisztika Tegyük fel, hogy va egy halmazuk, és tekitsük egy vagy több valószíűségi változót, amelyek a halmaz mide elemé felveszek valamilye értéket. A halmazt populációak vagy sokaságak evezzük. Példák:
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
RészletesebbenHipotézis-ellenırzés (Statisztikai próbák)
Következtetı statisztika 5. Hipotézis-elleırzés (Statisztikai próbák) 1 Egymitás próbák Átlagra, aráyra, Szórásra Hipotézis-vizsgálat Áttekités Egymitás em paraméteres próbák Függetleségvizsgálat Illeszkedésvizsgálat
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kidolgozott feladatok a emparaméteres statisztika témaköréből A tájékozódást mideféle szíkódok segítik. A feladatok eredeti szövege zöld, a megoldások fekete, a figyelmeztető, magyarázó elemek piros szíűek.
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
RészletesebbenBiometria gyakorló feladatok BsC hallgatók számára
Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90
Részletesebben1. előadás: Bevezetés. Irodalom. Számonkérés. Cél. Matematikai statisztika előadás survey statisztika MA szakosoknak. A matematikai statisztika tárgya
Matematikai statisztika előadás survey statisztika MA szakosokak 206/207 2. félév Zempléi Adrás. előadás: Bevezetés Irodalom, követelméyek A félév célja Matematikai statisztika tárgya Törtéet Alapfogalmak
RészletesebbenValószín ségszámítás és statisztika
Valószí ségszámítás és statisztika oktatási segédayag Kupá Pál Tartalomjegyzék fejezet Valószí ségszámítási alapfogalmak 5 Eseméyek 5 M veletek eseméyekkel 5 2 A valószí ség fogalma 7 3 Valószí ségi változók
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 -
RészletesebbenBiomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November
RészletesebbenStatisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebbenf (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben
Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,
RészletesebbenKÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN
KÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN DR. REICHART OLIVÉR 005. Budapest Lektorálta: Zukál Edre Tartalom BEVEZETÉS 3. VALÓSZÍNŰSÉGSZÁMÍTÁSI ALAPOK 5.. Kombiatorikai alapösszefüggések
RészletesebbenBIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika
BIOSTATISZTIKA ÉS INFORMATIKA Leíró statisztika Első közelítésbe a statisztikai tevékeységeket égy csoportba sorolhatjuk, de ezek között ics éles határ:. adatgyűjtés, 2. az adatok áttekithetővé tétele,
Részletesebbenkritikus érték(ek) (critical value).
Hipotézisvizsgálatok (hypothesis testig) A statisztikáak egyik célja lehet a populáció tulajdoságaiak, ismeretle paramétereiek a becslése. A másik tipikus cél: valamely elmélet, hipotézis empirikus bizoyítása
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
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenMatematika B4 I. gyakorlat
Matematika B4 I. gyakorlat 2006. február 16. 1. Egy-dimeziós adatredszerek Va valamilye adatredszer (számsorozat), amelyről szereték kiszámoli bizoyos dolgokat. Az egyes értékeket jelöljük z i -vel, a
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenBootstrap (Efron, 1979)
Bootstrap (Efro, 979) 4. elıadás 204. március 3. Bootstrap módszerek, többdimeziós extrém-érték eloszlások illeszkedésvizsgálata Újramitavételezési eljárás, a becsléseik szórásáak vizsgálatára, modell-illeszkedés
RészletesebbenTartalom. Kezdeti szimulációs technikák. Tipikus kérdések. A bootstrap módszer. Bevezetés A független, azonos eloszlású eset:
Tartalom A bootstrap módszer Zempléi Adrás TTK, Valószíőségelméleti és Statisztika Taszék 2010. október 21 Bevezetés A függetle, azoos eloszlású eset: emparaméteres paraméteres eset Alkalmazások a rétegzett
RészletesebbenVII. A határozatlan esetek kiküszöbölése
A határozatla esetek kiküszöbölése 9 VII A határozatla esetek kiküszöbölése 7 A l Hospital szabály A véges övekedések tétele alapjá egy függvéy értékét egy potba közelíthetjük az köryezetébe felvett valamely
RészletesebbenMÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI
MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk
Részletesebben18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható
8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.
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
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. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.
Kabos: Statisztika II. ROC elemzések 10.1 ROC elemzések Szenzitivitás és specificitás a jelfeldolgozás szóhasználatával A riasztóberendezés érzékeli, ha támadás jön, és ilyenkor riaszt. Máskor nem. TruePositiveAlarm:
RészletesebbenÁringadozások elıadás Kvantitatív pénzügyek szakirány 2012/13 2. félév
Árigadozások elıadás Kvatitatív pézügyek szakiráy 01/13. félév Heti óra elıadás + óra gyakorlat Elıadás: fıleg modellek, elemzési módszerek Gyakorlat: R programmal, alkalmazások Számokérés 50%: beadadó
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,
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenA biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézis Állítás a populációról (vagy annak paraméteréről) Példák H1: p=0.5 (a pénzérme
RészletesebbenZavar (confounding): akkor lép fel egy kísérletben, ha a kísérletet végző nem tudja megkülönböztetni az egyes faktorokat.
Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat. Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet
RészletesebbenPopuláció. Történet. Adatok. Minta. A matematikai statisztika tárgya. Valószínűségszámítás és statisztika előadás info. BSC/B-C szakosoknak
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 16. A matematikai statisztika tárgya Következtetések levoása adatok alapjá Ipari termelés Mezőgazdaság Szociológia
RészletesebbenKomputer statisztika
Eszterházy Károly Főiskola Matematikai és Iformatikai Itézet Tómács Tibor Komputer statisztika Eger, 010. október 6. Tartalomjegyzék Előszó 4 Jelölések 5 1. Valószíűségszámítás 7 1.1. Valószíűségi mező............................
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
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenStatisztika. Földtudomány szak, geológus szakirány, 2015/2016. tanév tavaszi
Statisztika Földtudomáy szak, geológus szakiráy, 015/016. taév tavaszi félév Backhausz Áges (ELTE TTK Valószíűségelméleti és Statisztika Taszék)1 Tartalomjegyzék 1. Bevezetés 3 1.1. Példa: az adatok elemzése....................
Részletesebben2. Hatványsorok. A végtelen soroknál tanultuk, hogy az. végtelen sort adja: 1 + x + x x n +...
. Függvéysorok. Bevezetés és defiíciók A végtele sorokál taultuk, hogy az + x + x + + x +... végtele összeg x < eseté koverges. A feti végtele összegre úgy is godolhatuk, hogy végtele sok függvéyt aduk
RészletesebbenVÉLETLENÍTETT ALGORITMUSOK. 1.ea.
VÉLETLENÍTETT ALGORITMUSOK 1.ea. 1. Bevezetés - (Mire jók a véletleített algoritmusok, alap techikák) 1.1. Gyorsredezés Vegyük egy ismert példát, a redezések témaköréből, méghozzá a gyorsredezés algoritmusát.
RészletesebbenBIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis
Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai
RészletesebbenEloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok
Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok
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
RészletesebbenPopulációbecslés és monitoring. Eloszlások és alapstatisztikák
Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk
RészletesebbenStatisztika I. 9. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenTöbb laboratórium összehasonlítása, körmérés
Több oratórium összehasonlítása, körmérés colorative test, round robin a rendszeres hibák ellenőrzése, számszerűsítése Statistical Manual of AOAC, W. J. Youden: Statistical Techniques for Colorative Tests,
Részletesebbenezek alapján kívánunk dönteni. Ez formálisan azt jelenti, hogy ellenőrizni akarjuk,
A deceber -i gyakorlat téája A hipotézisvizsgálat fotos probléája a következő két kérdés vizsgálata. a) Egy véletle eyiség várható értékéek agyságáról va bízoyos feltevésük. Elleőrizi akarjuk e feltevés
Részletesebben6. feladatsor. Statisztika december 6. és 8.
6. feladatsor Statisztika 200. december 6. és 8.. Egy = 0 szervert tartalmazó kiszolgáló mide szervere mide pillaatba 0 < p < valószíűséggel foglalt, a foglaltságok szerverekét függetleek. Tehát a foglaltak
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
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
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenSorozatok, határérték fogalma. Függvények határértéke, folytonossága
Sorozatok, határérték fogalma. Függvéyek határértéke, folytoossága 1) Végtele valós számsorozatok Fogalma, megadása Defiíció: A természetes számok halmazá értelmezett a: N R egyváltozós valós függvéyt
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
RészletesebbenLOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála a független változó: névleges vagy sorrendi vagy folytonos skála BIOMETRIA2_NEMPARAMÉTERES_5 1 Y: visszafizeti-e a hitelt x: fizetés (életkor)
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenEddig megismert eloszlások Jelölése Eloszlása EX D 2 X P(X = 1) = p Ind(p) P(X = 0) = 1 p. Leíró és matematikai statisztika
Leíró és matematikai statisztika Matematika alapszak, matematikai elemző szakiráy Zempléi Adrás Valószíűségelméleti és Statisztika Taszék Matematikai Itézet Természettudomáyi Kar Eötvös Lorád Tudomáyegyetem
Részletesebben? közgazdasági statisztika
Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB B Elem
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
RészletesebbenI. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó.
I. Függelék A valószíűségszámítás alapjai I.1. Alapfogalamak: Véletle jeleség: létrejöttét befolyásoló összes téyezőt em ismerjük. Tömegjeleség: a jeleség adott feltételek mellett akárháyszor megismételhető.
RészletesebbenHIPOTÉZISVIZSGÁLATOK, STATISZTIKAI PRÓBÁK. Hipotézisvizsgálat_Statisztikai próbák
HIPOTÉZISVIZSGÁLATOK, STATISZTIKAI PRÓBÁK Hipotézivizgálat_Statiztikai próbák Hipotézivizgálat alapgodolata A okaág érdekel, de a mita va a kezükbe. Elmúlt előadáoko: tatiztikai következteté (beclé) mita
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
RészletesebbenMegjegyzések. További tételek. Valódi határeloszlások. Tulajdonságok. Gyenge (eloszlásbeli) konvergencia
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 5. Megjegyzések. A tétel feltételei gyegíthetőek: elég, ha a függetle, azoos eloszlású változók várható értéke véges.
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenA biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat során a rendelkezésre álló adatok (statisztikai
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
Részletesebben18. Differenciálszámítás
8. Differeciálszámítás I. Elméleti összefoglaló Függvéy határértéke Defiíció: Az köryezetei az ] ε, ε[ + yílt itervallumok, ahol ε > tetszőleges. Defiíció: Az f függvéyek az véges helye vett határértéke
RészletesebbenStatisztika október 27.
Statisztika 2011. október 27. Külöbség valószíőségszámítás és statisztika között Kísérlet: 4-szer dobuk fel egy érmét. Megszámoljuk a fejek számát. Valszám: Ismert a fejdobás valószíősége. Milye valószíőséggel
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
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
Részletesebben