Biometria: Statisztikai módszerek alkalmazása a biológiában
|
|
- Brigitta Balázsné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Biometria: Statisztikai módszerek alkalmazása a biológiában Statisztika alkalmazási területei: Adatok ellenőrzése, értelmezése, ábrázolása, Jellemző paraméterek származtatása Valószínűség hozzárendelése elemi eseményekhez, objektumok tulajdonságaihoz, lehetséges mérési kimenetekhez Hipotézis tesztelés, állítások valóságtartalmának megállapítása, modell jóságának vizsgálata Váltózók összefüggéseinek vizsgálata Kísérlettervezés Vizsgálatunk tárgya: (többféle interpretáció) Kísérletek kimenetele = objektumok tulajdonságai. Elemi esemény, Elemi esemény kimenetele Milyen típusú lehet egy statisztikai változó? (objektum tulajdonsága, kísérlet kimenetele): Nominális (nincs rendezettség) Ordinális (rendezett, de nincs kivonás) Intervallum (számok az összes műveletekkel) Abszolút (van 0, kezdőpont) Teljes rendszer: az összes objektum, amivel foglalkozunk. Lehet végtelen elemszámú, pld. egy kísérletet végtelen sokszot el lehet végezni. Reprezentetív minta: Valamely statisztikai vizsgálat tárgyát képező elemek összességét statisztikai sokaságnak nevezzük. Legtöbbször a vizsgálatot úgy végzik, hogy reprezentatív mintát alkotnak, azaz a vizsgálat számára fontos megkülönböztető ismérvek segítségével véletlenszerüen egy kisebb részhalmazt választanak ki. Ilyenkor a kapott eredményeket becslésnek kell tekinteni, és meg kell határozni a lehetséges hiba mértékét. A minta vizsgálatának eredményéből következtetünk a sokaságra, a minta vétele tehát az eredmények értéke szempontjából elsőrendűen fontos. A minta legyen (a) reprezentatív, összetételében képviselje helyesen a sokaságot, amelyből vették, (b) véletlen, a mintaelemek kerüljenek egymástól függetlenül, egyenlõ valószínűséggel a mintába, (c) elégséges méretű, elegendően nagy ahhoz, hogy a minta alapján levont következtetések kellően valószínűek legyenek. Hibakeresés nagy táblázatokban: Kiugró adatok keresése (gépelési hiba? De ellenőrizni kell) Az adatok direkt ábrázolása vagy szórás számítás Valószínűség hozzárendelése lehetséges kimenetelekhez: Elvégzünk egy mérést (vagy megállapítjuk egy objektum egy tulajdonságát) ennek van valamilyen kimenetele. Megállapítható a lehetséges kimenetelek halmaza. Kérdés: mi a valószínűsége annak, hogy ha még egyszer elvégezzük a mérést (vagy egy véletlenszerűen kiválasztott
2 objektumnak megnézzük az adott tulajdonságát) akkor az egy adott értéket vesz fel, vagy egy adott intervallumba esik? Ez a valószínűség mindig tetszőleges pontossággal megadható. Hogyan mérjük (becsüljük ezt a valószínűséget?) Sokszor elvégezzük a mérést és gyakoriság hisztogramot készítünk (Hányszor esett a mérési eredmény egy adott tartományba? Hányszor kaptunk egy adott értéket?). Relatív gyakoriság: gyakoriság értékek osztva a mérések számával. Állítás: amint a mérések száma tart a végtelenhez, a relatív gyakoriság tart az adott kimenetel előfordulási valószínűségéhez. Vagyis egy esemény előfordulási valószínűsége tetszőleges pontossággal mérhető.
3 Könnyebség: Ha a változó intevallum vagy abszolút típusú, akkor nagyon gyakran megállapítható az eloszlás sűrűségfüggvénye (egy függvény illeszthető a relatív gyakoriság hisztogramra) a következő tulajdonságokkal:. Sürüségfüggvény: 1) Egy adott intervallumban a sűrűségfüggvény alatti terület megadja annak a valószínűségét, hogy egy adott kimenetel abba az intervallumba esik. 2) A sűrűségfügg vény alatti terület a teljes lehetséges kimeneteli tartományban 1. Normál eloszlás: Egy kitüntetett sűrűségfüggvény, mely sokszor alkalmazható és két paraméterrel (átlag, szórás) megadható. Gyakran alkalmazható lsd. A központi határeloszlás-tétel. Tulajdonságai: egy csúcsa van, szimmetrikus, jellegzetes haranggörbe alak (lapultság, ferdeség =0)
4 Átlag: legvalószínűbb érték (a csúcs helye) Szórás: az eloszlás kiterjedését jellemzi. Az átleg közelében 1x szóráson belül van az adatok 68.2%-a Ha nem illeszthető normál eloszlás az adatokra (nem-parametrikus eset, ordinális változókra is), akkor a mediánnal és percentile-okkal jellemezhető az eloszlás. Medián: A lehetséges kimenetelek fele kisebb, fele nagyobb, mint a medián. X.-percentile: Az adatok x %-a kisebb, 100-x %-a nagyobb nála. Lehetséges kimenetelek valószínűségének ábrázolása parametrikus esetben átlag+szórás, nem parametrikus esetben boxplot mediánnal és 50. percentile-kal.
5 Standardizált normál eloszlás: 0 átlagú, 1-es szórású normál eloszlás Mérés kimenetelének valószínűségének számítása normál eloszlás esetén: Táblázat alapján (integrálra nincs zárt alak).
6 Ha a normál eloszlás átlagát és szórását n mérésből becsüljük, akkor f=n-1 szabadsági fokú t-eloszlást használunk a valószínűségek kiszámításához. N mérés átlagainak átlaga és szórása: átlag nem változik, szórás négyzetgyök(n)-ed részére csökken Hipotézis tesztelés: Általában két csoport átlagának összehasonlítására. H1(eredeti) hipotézis: x1átlag<> < > x2átlag H0 (alternatív) hipotézis: x1átlag=x2átlag ==>A két csoport összevonható, abból kiszámítható a mért adatok valószínűsége. Ha p<0.05 (szignifikancia szint) H0-t elvetjük, H1-t elfogadjuk. Ha nem, H0-t nem tudjuk elvetni, vagyis H1-t nem tudjuk elfogadni. Parametrikus vs. non-parametrikus tesztek: Ha a valószínűségi változó normál eloszlású (ez feltételezi, hogy legalább intervallum típusú) akkor parametrikus teszteket használunk, ha nem akkor nem-parametrikus teszteket használunk hipotézistesztelésre.
7 Modell jóságának tesztje:
8 NYUGAT-MAGYARORSZÁGI EGYETEM SAVARIA EGYETEMI KÖZPONT TERMÉSZETTUDOMÁNYI ÉS MŰSZAKI KAR BIOLÓGIA INTÉZET ÁLLATÖKOLÓGIAI VIZSGÁLATOK (gyakorlat)
9 É ÖSSZEÁLLÍTOTTA: GYURÁCZ JÓZSEF, SZINETÁR CSABA Az 1., 2., 3. fejezetek Lengyel Szabolcs (Debreceni Egyetem) munkája alapján SZOMBATHELY 2009
10 1. A biológiai vizsgálatok általános menete Modellezés Megfigyelés, elővizsgálat Kérdésfeltevés Hipotézis Predikció Adatgyűjtés Értékelés 1.1. Megfigyelés vagy elővizsgálat tárgya: folyamat vagy mintázat lépték-függő Mit figyelünk meg? lényeges és ténylegesen létező folyamatok vagy mintázatok 1.2. Kérdésfeltevés a jó kérdés: - lényegi (esszenciális) - nem túl általános, de nem is túl specifikus - egyszerű kérdő mondat - világos, logikusan következő az ökológia két alapvető kérdéstípusa: - referenciális jellegű deviációs alapkérdések: - Hol? Mikor? Mennyi? LEÍRÓ vizsgálatok - kauzális jellegű kényszerfeltételi alapkérdések: - Miért?, Hogyan? HIPOTÉZIS-TESZTELŐ vizsgálatok 1.3. A hipotézis háttérmagyarázat, feltevés A gondolatmenet 1. jelenség megfigyelése
11 2. az összes, egymást kölcsönösen kizáró hipotézis megfogalmazása 3. mindegyik hipotézisre vizsgálat 4. az(oka)t a hipotézis(eke)t, melye(ke)t nem tudunk megcáfolni, igaz -nak fogadjuk el A jó természettudományos hipotézisek: - megcáfolhatóak - egymást kölcsönösen kizáróak - belőlük egy vagy több predikció vezethető le - egyszerűen vannak fogalmazva Az alkalmazás korlátai: - igazi háttérmagyarázat nem szerepel a hipotézisek között - tér- és/vagy időbeli korlátok - a háttérmagyarázatok nem egymást kölcsönösen kizárók, egyszerre több háttérmagyarázat is érvényes lehet - háttérmagyarázatok függnek egymástól - a hipotéziseket nem lehet cáfolni, csak valószínűségekkel jellemezni Tanulság - megcáfolható hipotézisek - minden lehetséges hipotézist vegyünk sorra - MI A KÉRDÉS?, MI A HIPOTÉZIS? 1.4. Predikció állítás, mely: - a hipotézisből logikusan következik - statisztikailag tesztelhető - Melyik változó fontos a rendszerben? biológiai tartalom - Mely változókat és hogyan hasonlítunk össze? statisztikai tartalom - biológiai hipotézis = háttérmagyarázat - statisztikai hipotézis: két állítás - nullhipotézis, H0: egyik mennyiség = másik mennyiség - alternatív hipotézis, HA: egyik másik statisztikai tesztek működése: x y H0: x = y HA: x > y adatok teszt-statisztika számítása (képlet) p-érték (szignifikancia-szint H0 támogatottsága)
12 ha p értéke nagy (> 5%) H0 támogatottsága magas tapasztalt különbség csak a véletlen műve ha p < 5% H0 támogatottsága alacsony különbség nem csak a véletlen műve, hanem lényeges (szignifikáns) HA-t fogadjuk el
13 1.5. Adatgyűjtés lépései: 1. Fontos változók azonosítása 2. Mintavételi módszer kiválasztása 3. Szükséges mintanagyság meghatározása 4. Mintavétel 5. Adatok rendszerezése, feldolgozásra előkészítése A változók kiválasztása változó(k): mért mennyiség(ek) típusai: - folytonos vagy diszkrét - nominális, ordinális, intervallum- vagy arányskálán mérhető Skála Nominális Ordinális Intervallum Arány Definíció kvalitatív, nevekből áll nincs rangsor kvalitatív, rangsor lehetséges értékek közti távolság tetszőleges kvantitatív, rangsor, értékek közti különbség mutatja a távolságot önkényes nulla pont arányok nem értelmezhetők kvantitatív, rangsor, értékek közti intervallum mutatja a távolságot valódi nullapont arányok értelmezhetőek Hány változót mérjünk? o mindent mérjünk o ne mérjünk semmit A mintavételi módszer kiválasztása mérésnél figyelembe kell venni: - skála-függés - mérési hiba specifikumok: ld. később Példák ivar, betegség agresszivitás: erős, közepes, gyenge hőmérséklet ( C), IQ testsúly, magasság, életkor
14 A mintavétel ha nem tudunk minden objektumot mérni statisztikai populáció: az összes vizsgálati objektum, melyre eredményeink vonatkoztathatóak ( biológiai populáció!) pontosan tisztázandó!!! minta: a populációnak az a része, melyet valóságban is mérünk o statisztikai minta (mérések adathalmaz) o fizikai minta (pl. talajminta) mintavételi egység: amin a mérés fizikailag történik a mintavétel alapszabályai: 1. RANDOMIZÁCIÓ (VÉLETLENSZERŰ VÁLASZTÁS) - cél: a statisztikai populáció tagjai egyenlő eséllyel kerülhessenek a mintába - torz a minta, ha bizonyos egyedek - nagyobb valószínűséggel kerülnek a mintába, mint mások - bekerülése befolyásolja más egyedek bekerülését - a reprezentativitás legfőbb biztosítéka - használható zavaró tényezők, tendenciák hatásának kiszűrésére (pl.: napszakos, évszakos v. térbeli különbségek) - randomizálás menete: Pl.: hét békából három kiválasztása: 1. békák megszámozása (1-7): 2. random számok táblázata (részlet): minta meghatározása: 1., 4., ADATPONTOK FÜGGETLENSÉGE - mintavétel egység statisztikai populáció egyede - következmény: o egyik egység mintába kerülését a másik egység mintába kerülése nem befolyásolja o nincs kapcsolat az egyes mintavételi egységek között Pl.: kísérleti patkányok agresszivitása: - verekedőseket választjuk - véletlenszerűen választunk
15 3. STANDARDIZÁLÁS - egy változó bizonyos szinten való tartása - pl. napszakos, évszakos, térbeli stb. különbségek kiiktatására - zavaró tényezők: - standard szinten tartás (érvényesség, kivitelezhetőség ) - randomizálás előre tisztázni kell! 4. ISMÉTELT MÉRÉS - egy mérés nem mérés ismételt mérés statisztikai minta - mérés hibája becsülhető - mérés pontossága: - precizitás: ismételt mérések közelsége - akkurátusság: mért és valós érték közelsége - ismételhetőség: - saját kutatásunkon belül, időben és térben - más kutatások számára, időben és térben Miért elengedhetetlenül FONTOS a fenti szabályokat betartani? - ha nincs randomizálás: torz minta tendencia furcsa eredmények - ha az adatok nem függetlenek: elnagyolt mintaelemszám lényeges (szignifikáns) különbséget kaphatunk ott, ahol valójában nincs Mintanagyság meghatározása 18 négy módszer : - tapasztalat - statisztikai teszt erősségének meghatározásával (ld. később) - faj-minta görbe alapján: Kumulatív Fajok Új fajok Kumulatív terület (m2) száma száma fajszám Kumulatív fajszám
16 - a mért paraméter változási görbéje alapján: Testtömeg (g) ,9 6,7 4,9 14,7 12,3 3,9 11,7 7,7 7,3 10,9 Kumulatív átlagos testtömeg 10,9 8,8 7,5 9,3 9,9 8,9 9,3 9,1 8,9 9, Kumulatív átlagos testtömeg (g) Minta száma Adatok összerendezése és számítógépre vitele ne az eredeti adathordozókkal dolgozzunk (másolatok) 7 adatok számítógépre vitele, tárolása (+ biztonsági másolatok) 1.6. Értékelés 6 statisztikai módszerek: o az adatok kvantitatív leírására és összegzésére o következtetések levonására o adatokban levő különbségek és tendenciák objektív értékelésére kétféle megközelítés: - exploratív elemzés: - adatok felderítése, ábrázolása - leíró statisztikák számítása: átlag, medián, szórás, variancia, konfidencia intervallum stb. - konfirmatív ( megerősítő ) elemzés: - predikciók, különbségek, tendenciák vizsgálata statisztikai tesztek általános működése: mindig a nullhipotézist (H0-t) teszteljük, pl.: két minta átlagának összehasonlítása x 1. H0: x = y y HA: x > y 4 5 Min
17 2. adatok teszt-statisztika p (valószínűség) 3. p: szignifikancia-szint, H0 támogatottsága, a döntéshozatal alapja, kritikus értéke: 0,05 ha p > 0.05 H0-t elfogadjuk ha p < 0.05 H0-t elvetjük H0-t megtartjuk H0-t elvetjük H0 igaz jó döntés elsőfajú hiba: H0 hamis másodfajú hiba: jó döntés (elsőfajú hiba valószínűsége) p (szignifikancia-szint) a teszt menete: - kézzel: követni a receptkönyveket - komputerrel: 1. adatbevitel, adatrendezés, előkészítés 2. adatfile statisztikai program 3. a teszt meghatározása, program futtatása 4. eredmények vizsgálata és interpretálása Mitől függ, hogy egy különbség szignifikáns? - szórástól - mintaelemszámtól (ha, akkor a szórás ) - statisztikai próba érzékenységétől statisztikai tesztek két nagy csoportja: - parametrikus próbák: - populációs átlag becslése alapfeltétel a normál eloszlás és a varianciák homogenitása - érzékenyebbek - nemparametrikus próbák: - nem becsülnek paramétereket kevesebb feltétel - kevésbé érzékenyek minden statisztikai próba feltétele: - a random mintavétel - az adatpontok függetlensége statisztikai tesztek típusai: - átlagok összehasonlítására - két vagy több változó közötti kapcsolat vizsgálatára - eloszlások, gyakoriságok összehasonlítására, illeszkedésvizsgálat Alapvető biológiai megközelítések: megfigyelés (nincs beavatkozás) * kísérlet (beavatkozás, manipuláció) *
18 modellezés (logikai absztrakció) evolúciós összehasonlítás (több faj, általános tendenciák) 2. A MEGFIGYELÉS MÓDSZER 2.1. A megfigyelés megfigyelés a legáltalánosabb értelemben nem történik beavatkozás a rendszerbe, nem kontrollálunk egy tényezőt sem, pusztán adatgyűjtés történik hagyományos, gyakori, könnyen kivitelezhető megfigyelés vagy kísérlet? Példa: hegyi kecske és fafaj elterjedése Szempont Manipuláció Kezelés Kutatói irányítás Független változó Függő változó Statisztikai elemzés Elemzés módja Ok-okozati viszony Magyarázó erő Prediktív erő,költségigény Munkaigény Megfigyeléses módszer Nincs Nincs Minimális Kecskék száma - folytonos Facsemeték száma - folytonos Kevésbé érzékeny tesztek Korrelációanalízis Nem állapítható meg Kicsi Minimális Kicsi Kicsi belső érvényesség és külső érvényesség 2.2. A megfigyeléses módszer néhány jellemzője a mintavétel alapvető szabályai érvényesek (randomizáció, függetlenség, standardizálás, ismételhetőség stb.) mintavételi stratégia (kutatási terv) kidolgozása, megvitatása, átdolgozása munkaterv meg kell előznie az aktuális adatgyűjtést! adatgyűjtés megfigyeléssel: - legyen időnk a tervezésre és a terepen előre nem látható akadályozó tényezőkre is - ne legyenek prekoncepcióink, legyünk elfogulatlanok - felejtsük el a tervet, a bizonyítani kívánt hipotézist speciális mintavételi módszerek: ld. később 2.3. A megfigyeléses módszer az ökológiában hazai, egyed feletti szerveződési szintekkel foglalkozó biológia részei:
19 - szünfenobiológia: LEÍRÓ jellegű, megfigyeléses megközelítés (fenológia, chorológia, etológia) - (másik terület): OK-OKOZATI összefüggések, kísérletes módszerek (ökológia, viselkedésbiológia)
[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
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
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
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
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
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
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
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)
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenStatisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában
Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,
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
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
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
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 -
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
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
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
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:
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
Részletesebben3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
Biostatisztika = Biometria = Orvosi statisztika Biomatematika 2. előadás Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések
RészletesebbenBevezető Mi a statisztika? Mérés Csoportosítás
Gazdaságstatisztika 1. előadás Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.bmf.hu) Fogadóóra: szerda 11:30 11:55, TA125 Gyakorlatvezető
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
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
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenA mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra
A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra Vörös Zsuzsanna NÉBIH RFI tervezési referens 2013. április 17. Egy kis felmérés nem kor Következtetések: 1. a jelenlevők nemi megoszlása:
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
Részletesebben[GVMGS11MNC] Gazdaságstatisztika
[GVMGS11MNC] Gazdaságstatisztika 1. előadás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.uni-obuda.hu)
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
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
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
RészletesebbenAz első számjegyek Benford törvénye
Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm
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
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot
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
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
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
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.
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:
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...
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
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 :
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:
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
Részletesebben1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.
1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét
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
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
RészletesebbenSTATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
RészletesebbenA leíró statisztikák
A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
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
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
RészletesebbenStatisztikai alapfogalmak a klinikai kutatásban. Molnár Zsolt PTE, AITI
Statisztikai alapfogalmak a klinikai kutatásban Molnár Zsolt PTE, AITI Bevezetés Research vs. Science Kutatás Tudomány Szerkezeti háttér hiánya Önkéntesek (lelkes kisebbség) Beosztottak (parancsot teljesítő
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenNemparametrikus tesztek. 2014. december 3.
Nemparametrikus tesztek 2014. december 3. Nemparametrikus módszerek Alkalmazásuk: nominális adatok (gyakoriságok) esetén, ordinális adatok esetén, metrikus adatok esetén (intervallum és arányskála), ha
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
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
RészletesebbenTARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23
TARTALOMJEGYZÉK 1. téma Átlagbecslés (Barna Katalin).... 7 2. téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23 3. téma Összefüggések vizsgálata, korrelációanalízis (Dr. Molnár Tamás)... 73 4. téma Összefüggések
RészletesebbenVIZSGADOLGOZAT. I. PÉLDÁK (60 pont)
VIZSGADOLGOZAT (100 pont) A megoldások csak szöveges válaszokkal teljes értékűek! I. PÉLDÁK (60 pont) 1. példa (13 pont) Az egyik budapesti könyvtárban az olvasókból vett 400 elemű minta alapján a következőket
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
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
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenMicrosoft Excel 2010. Gyakoriság
Microsoft Excel 2010 Gyakoriság Osztályközös gyakorisági tábla Nagy számú mérési adatokat csoportokba (osztályokba) rendezése -> könnyebb áttekintés Osztályokban szereplő adatok száma: osztályokhoz tartozó
RészletesebbenGyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016
Gyakorlat 8 1xANOVA Dr. Nyéki Lajos 2016 A probléma leírása Azt vizsgáljuk, hogy milyen hatása van a család jövedelmének a tanulók szövegértés teszten elért tanulmányi eredményeire. A minta 59 iskola adatait
RészletesebbenK oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21.
Középérték és variancia azonosságának próbái: t-próba, F -próba 2012. március 21. Hipotézis álĺıtása Feltételezés: a minta egy adott szempont alapján más populációhoz tartozik, mint b minta. Nullhipotézis
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
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:
RészletesebbenOrvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN
Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
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
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
Részletesebbens.s. Bere Anikó Zsuzsanna
s.s. Bere Anikó Zsuzsanna Statisztikai módszerek a fizikában statisztika: adatokon alapuló kísérlettervezési, gyűjtési, rendezési, összesítési, ábrázolási, analizálási, értelmezési és következtetési módszerek
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
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.
RészletesebbenLeíró statisztika. Adatok beolvasása az R-be és ezek mentése
Leíró statisztika. Adatok beolvasása az R-be és ezek mentése Leíró statisztika Definíciója: populáció egy ismert részhalmazára vonatkozó megfigyelések leírása és összegzése. Jelentősége: nominális adatok
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
Részletesebben