Biometria: Statisztikai módszerek alkalmazása a biológiában

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Biometria: Statisztikai módszerek alkalmazása a biológiában"

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 [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

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria 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

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[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)

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

Adatok 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

Részletesebben

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

STATISZTIKA. 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[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.

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika 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.

Részletesebben

A Statisztika alapjai

A 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

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC 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

Részletesebben

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015

A 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

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai 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:

Részletesebben

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

BIOMETRIA (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

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria 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

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika 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

Részletesebben

Segítség az outputok értelmezéséhez

Segítség 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

Részletesebben

[GVMGS11MNC] Gazdaságstatisztika

[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)

Részletesebben

Varianciaanalízis 4/24/12

Varianciaanalízis 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

A 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:

Részletesebben

Biostatisztika Összefoglalás

Biostatisztika 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

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai 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

Részletesebben

A valószínűségszámítás elemei

A 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:

Részletesebben

STATISZTIKA. 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. 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

Részletesebben

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.

1. 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

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y 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.

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan 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

Részletesebben

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

A 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

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési 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

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. 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

Részletesebben

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

TARTALOMJEGYZÉK. 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

Részletesebben

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Orvosi 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[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 =

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika 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,

Részletesebben

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 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

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Modern 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

Részletesebben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Matematikai 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

Részletesebben

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Populációbecslés 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

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika 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,

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet 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

Nemparametrikus tesztek. 2014. december 3.

Nemparametrikus 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

Részletesebben

Microsoft Excel 2010. Gyakoriság

Microsoft 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

Részletesebben

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat

Statisztikai 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

Részletesebben

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

Egyszempontos 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

Részletesebben

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

Gyakorlat 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

Részletesebben

K oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21.

K 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

Részletesebben

Kabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.

Kabos: 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:

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése Matematikai alapok és valószínőségszámítás Statisztikai változók Adatok megtekintése Statisztikai változók A statisztikai elemzések során a vizsgálati, vagy megfigyelési egységeket különbözı jellemzık

Részletesebben

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események

Részletesebben

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Kiválasztás. 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

Részletesebben

Területi statisztikai elemzések

Területi statisztikai elemzések Területi statisztikai elemzések KOTOSZ Balázs, SZTE, kotosz@eco.u-szeged.hu Módszertani dilemmák a statisztikában 2016. november 18. Budapest Apropó Miért különleges a területi adatok elemzése? A számításokhoz

Részletesebben

Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana. Domokos Tamás, módszertani igazgató

Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana. Domokos Tamás, módszertani igazgató Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana Domokos Tamás, módszertani igazgató A helyzetfeltárás célja A közösségi kezdeményezéshez kapcsolódó kutatások célja elsősorban felderítés,

Részletesebben

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége [GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell

Részletesebben

Populációbecslések és monitoring

Populációbecslések és monitoring Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány

Részletesebben

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik

Részletesebben

Iskolai jelentés. 10. évfolyam szövegértés

Iskolai jelentés. 10. évfolyam szövegértés 2008 Iskolai jelentés 10. évfolyam szövegértés Az elmúlt évhez hasonlóan 2008-ban iskolánk is részt vett az országos kompetenciamérésben, diákjaink matematika és szövegértés teszteket, illetve egy tanulói

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

MINTAVÉTELEZÉS. Alaptípusai: sampling. véletlen érvényesítésére v. mellőzzük azt. = preferenciális mintav. = véletlen mintav.

MINTAVÉTELEZÉS. Alaptípusai: sampling. véletlen érvényesítésére v. mellőzzük azt. = preferenciális mintav. = véletlen mintav. A teljes alapsokaságot nem ismerhetjük meg. MINTAVÉTELEZÉS Fontossága: minden későbbi értékelés ezen alapszik. Alaptípusai: Szubjektív folyamat Objektív folyamat (non-probabilistic) (probabilistic) sampling

Részletesebben

1/8. Iskolai jelentés. 10.évfolyam matematika

1/8. Iskolai jelentés. 10.évfolyam matematika 1/8 2009 Iskolai jelentés 10.évfolyam matematika 2/8 Matematikai kompetenciaterület A fejlesztés célja A kidolgozásra kerülő programcsomagok az alább felsorolt készségek, képességek közül a számlálás,

Részletesebben

Osztályozóvizsga követelményei

Osztályozóvizsga követelményei Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 12 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Emelt

Részletesebben

S atisztika 2. előadás

S atisztika 2. előadás Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás

Részletesebben

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:

Részletesebben

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

MÉRÉSI 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

Részletesebben

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő

Részletesebben

STATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69)

STATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69) STATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69) 1. AZ ISO SZABVÁNYOK TÉRKÉPE 2. A SZABVÁNYOK BEMUTATÁSA 3. HASZNÁLATI TANÁCSOK 4. A STATISZTIKAI SZABVÁNYOK ÉS AZ ISO 9001 5. JAVASLATOK

Részletesebben

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

Részletesebben

Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.

Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat

Részletesebben

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Khi-négyzet eloszlás. Statisztika II., 3. alkalom Khi-négyzet eloszlás Statisztika II., 3. alkalom A khi négyzet eloszlást (Pearson) leggyakrabban kategorikus adatok elemzésére használjuk. N darab standard normális eloszlású változó négyzetes összegeként

Részletesebben

Az értékelés során következtetést fogalmazhatunk meg a

Az értékelés során következtetést fogalmazhatunk meg a Az értékelés során következtetést fogalmazhatunk meg a a tanuló teljesítményére, a tanulási folyamatra, a célokra és követelményekre a szülők teljesítményére, a tanulási folyamatra, a célokra és követelményekre

Részletesebben

A 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 A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat során a rendelkezésre álló adatok (statisztikai

Részletesebben

PIACKUTATÁS (MARKETINGKUTATÁS)

PIACKUTATÁS (MARKETINGKUTATÁS) PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA 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

Részletesebben

A gyakorló feladatok számozása a bevezetı órát követı órán, azaz a második órán indul. Gyakorló feladatok megoldásai 1

A gyakorló feladatok számozása a bevezetı órát követı órán, azaz a második órán indul. Gyakorló feladatok megoldásai 1 A gyakorló feladatok számozása a bevezetı órát követı órán, azaz a második órán indul. Gyakorló feladatok megoldásai 1 1. A populációt a számunkra érdekes egységek (személyek, csalások, iskolák stb.) alkotják,

Részletesebben

Készítette: Fegyverneki Sándor

Készítette: Fegyverneki Sándor VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y

Részletesebben

egyetemi jegyzet Meskó Balázs

egyetemi jegyzet Meskó Balázs egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.

Részletesebben

Mérés és modellezés Méréstechnika VM, GM, MM 1

Mérés és modellezés Méréstechnika VM, GM, MM 1 Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni

Részletesebben

Tantárgy: BEVEZETÉS A TUDOMÁNYOS KUTATÁS MÓD- SZERTANÁBA

Tantárgy: BEVEZETÉS A TUDOMÁNYOS KUTATÁS MÓD- SZERTANÁBA Tantárgy: BEVEZETÉS A TUDOMÁNYOS KUTATÁS MÓD- SZERTANÁBA Szak: BSc Testnevelő-Edző, Rekreáció-szervezés, Sportszervezés, Humánkineziológia Tagozat: nappali Tantárgyfelelős neve: DR. ZSIDEGH MIKLÓS Tanszék:

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

Vargha András Károli Gáspár Református Egyetem Budapest

Vargha András Károli Gáspár Református Egyetem Budapest Vargha András Károli Gáspár Református Egyetem Budapest Kötelező irodalom a kurzushoz Vargha András: Matematikai statisztika pszichológiai, nyelvészeti és biológiai alkalmazásokkal (2. kiadás). Pólya Kiadó,

Részletesebben

LINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK

LINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK LINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK 2004 november 29. 1.) Lisztbogarak súlyvesztése 9 lisztbogár-csapat súlyát megmérték, (mindegyik 25 bogárból állt, mert egyenként túl kis súlyúak

Részletesebben

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető! BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22

Részletesebben

V. Gyakorisági táblázatok elemzése

V. Gyakorisági táblázatok elemzése V. Gyakorisági táblázatok elemzése Tartalom Diszkrét változók és eloszlásuk Gyakorisági táblázatok Populációk összehasonlítása diszkrét változók segítségével Diszkrét változók kapcsolatvizsgálata Példák

Részletesebben

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

Eloszlás-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

Részletesebben

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés Kvantitatív kutatás mire figyeljünk?. Tartalom Kutatási kérdés Mintaválasztás Kérdésfeltevés Elemzés Jánossy Ferenc Szakkollégium- TDK felkészítő előadások sorozat, 2016. február Óbudai Egyetem Mintavétel

Részletesebben

Iskolai jelentés. 10. évfolyam szövegértés

Iskolai jelentés. 10. évfolyam szövegértés 2010 Iskolai jelentés 10. évfolyam szövegértés Szövegértési-szövegalkotási kompetenciaterület A fejlesztés célja Kommunikáció-központúság Tevékenység centrikusság Rendszeresség Differenciáltság Partnerség

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan és prezentációkészítés Kutatásmódszertan és prezentációkészítés 8. rész: Statisztikai eszköztár: Alapfokú statisztikai ismeretek Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Nyolcadik rész Statisztikai eszköztár: Alapfokú statisztikai

Részletesebben

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

Centura Szövegértés Teszt

Centura Szövegértés Teszt Centura Szövegértés Teszt Megbízhatósági vizsgálata Tesztfejlesztők: Megbízhatósági vizsgálatot végezte: Copyright tulajdonos: Bóka Ferenc, Németh Bernadett, Selmeci Gábor Bodor Andrea Centura Kft. Dátum:

Részletesebben

Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József

Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József Matematika III. 9. : Statisztikai hipotézisek Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027

Részletesebben

A konfidencia intervallum képlete: x± t( α /2, df )

A konfidencia intervallum képlete: x± t( α /2, df ) 1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,

Részletesebben

18. modul: STATISZTIKA

18. modul: STATISZTIKA MATEMATIK A 9. évfolyam 18. modul: STATISZTIKA KÉSZÍTETTE: LÖVEY ÉVA, GIDÓFALVI ZSUZSA MODULJÁNAK FELHASZNÁLÁSÁVAL Matematika A 9. évfolyam. 18. modul: STATISZTIKA Tanári útmutató 2 A modul célja Időkeret

Részletesebben

FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20.

FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20. FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) 2010. október 20. A kutatási terv fogalmának, a különbözı kutatási módszerek osztályozása, a feltáró és a következtetı kutatási módszerek közötti különbségtétel

Részletesebben

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,

Részletesebben

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

A pedagógiai kutatás metodológiai alapjai. Dr. Nyéki Lajos 2015

A pedagógiai kutatás metodológiai alapjai. Dr. Nyéki Lajos 2015 A pedagógiai kutatás metodológiai alapjai Dr. Nyéki Lajos 2015 A pedagógiai kutatás jellemző sajátosságai A pedagógiai kutatás célja a személyiség fejlődése, fejlesztése során érvényesülő törvényszerűségek,

Részletesebben

Bizonytalanság. Mesterséges intelligencia április 4.

Bizonytalanság. Mesterséges intelligencia április 4. Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel

Részletesebben

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 9. MA3-9 modul. Statisztikai hipotézisek

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 9. MA3-9 modul. Statisztikai hipotézisek Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 9. MA3-9 modul Statisztikai hipotézisek SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról szóló 1999.

Részletesebben

Hanthy László Tel.: 06 20 9420052

Hanthy László Tel.: 06 20 9420052 Hanthy László Tel.: 06 20 9420052 Néhány probléma a gyártási folyamatok statisztikai szabályzásával kapcsolatban Miben kellene segíteni az SPC alkalmazóit? Hanthy László T: 06(20)9420052 Megválaszolandó

Részletesebben