IV. Változók és csoportok összehasonlítása
|
|
- Egon Tamás
- 7 évvel ezelőtt
- Látták:
Átírás
1 IV. Változók és csoportok összehasonlítása
2 Tartalom Összetartozó és független minták Csoportosító változók Két összetartozó minta összehasonlítása Két független minta összehasonlítása Több független minta átlagának egyszempontos összehasonlítása
3 Példa összetartozó mintákra
4 Hogyan juthatunk összetartozó mintákhoz? Változás vizsgálata Önkontrollos kísérletek Ugyanazon a skálán mért változók összehasonlítása Összetartozó párok (házaspárok) vizsgálata
5 Független minták
6 Hogyan juthatunk független mintákhoz? 1) Egymástól függetlenül választunk ki mintákat különböző populációkból. Pl. egészségeseket és betegeket. 2) Egyetlen véletlen mintát valamilyen szempont szerint részekre bontunk. Pl. bontunk az iskolázottsági szint vagy a nem szerint.
7 Két összetartozó minta összehasonlítása 1) Átlagok összehasonlítása Pl. ugyanakkora-e egy párt szimpátiaszintje egy választás előtt és után? Ugyanakkora-e az X változó elméleti átlaga két helyzetben vagy időpontban? H 0 : μ = μ 2) Növekedés-csökkenés vizsgálata Csökkenti-e a szorongást egy terápiás eljárás? H 0 : Növekedés esélye = Csökkenés esélye
8 Pulzus két helyzetben (n = 115) szórás átlag 20 0 PE PK
9 Anya és apa testmagassága (n = 500) AnyaTes tm ag ApaTes tm ag szórás átlag
10 0 Két összetartozó minta átlagának összehasonlítása Szakmai kérdés: ugyanakkora-e az X változó elméleti átlaga két helyzetben vagy időpontban? Nullhipotézis: H : μ = μ 0 Próbastatisztika: t = (y x)/se dif
11 1 Összetartozó mintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = n - 1). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
12 2 Összetartozó mintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = n - 1). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
13 3 Összetartozó mintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = n - 1). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
14 4 Összetartozó mintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = n - 1). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
15 5 Összetartozó mintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = n - 1). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
16 6 Két példa Pulzus beavatkozás előtt és után (n = 115): Változás átlaga (y - x) = 6,17 t(114) = 3,987, p = 0,0001 (p < 0,001) Anya és apa testmagassága (n = 500): anya-átlag = 161,12, apa-átlag = 173,35 Különbség átlaga (y - x) = 12,23 (cm) t(499) = 36,396, p = 0,000 (p < 0,001) GYAK
17 7 Az egymintás t-próba alkalmazási feltétele A különbségváltozó normalitása Ha a minta kicsi? Ha a minta nagy? Robusztus alternatívák Johnson-próba Gayen-próba GYAK
18 8 Változás vizsgálata arányskálájú változók segítségével Szakmai kérdés: nőnek-e (csökkennek-e) az X változó értékei az egyik helyzetről a másikra? Nullhipotézis: E(Y/X) = 1 Próba: Egymintás t-próba Kiszámítandó: Változás aránya személyenként (Y/X)
19 9 Változás vizsgálata egy másik próba segítségével Szakmai kérdés: nőnek-e (csökkennek-e) az X változó értékei az egyik helyzetről a másikra? Nullhipotézis: Növekedés esélye = csökkenés esélye Próba: Előjelpróba Kiszámítandó: Pozitív és negatív változások száma GYAK
20 0 Két független minta összehasonlítása
21 1 Hogyan juthatunk független mintákhoz? 1) Egymástól függetlenül választunk ki mintákat különböző populációkból. Pl. egészségeseket és betegeket. 2) Egyetlen véletlen mintát valamilyen szempont szerint részekre bontunk. Pl. bontunk az iskolázottsági szint vagy a nem szerint.
22 2 Csoportdefiniálás a ROPstatban 1. Kódok segítségével, pl. 1 = férfi, 2 = nő 1 = alapfok, 2 = középfok, 3 = felsőfok 1. Övezetek segítségével, pl : fiatal 36-55: középkorú 56-70: idős : szépkorú GYAK
23 3 Férfiak és nők feminitása (n = 82) Nők CPI-Feminitás skála Férfiak szórás átlag
24 4 Apa érettségije és gyerekének matematika jegye (n = 3507) Matek-jegy a 8. osztály végén szórás átlag 1 0 Apa érettségi nélkül Apa érettségivel
25 5 Két független minta átlagának összehasonlítása Szakmai kérdés: ugyanakkora-e az X változó elméleti átlaga két populációban? Nullhipotézis: H : μ = μ 0 Próbastatisztika: t = (y x)/se dif
26 6 Kétmintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = N - 2). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
27 7 Kétmintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = N - 2). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
28 8 Kétmintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = N - 2). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
29 9 Kétmintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = N - 2). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
30 0 Kétmintás t-próba Minél nagyobb a két mintaátlag közötti különbség, annál valószínűbb, hogy H 0 nem igaz. Ha igaz H 0, akkor a fenti t mennyiség közelítőleg t-eloszlású (f = N - 2). Ha t elég nagy, akkor H 0 -t elutasítjuk. t p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
31 1 Két példa CPI-Fem skála, Férfiak vs. Nők (N = 82): X-átlag = 12,1, Y-átlag = 14,0 t(80) = -2,95, p = 0,0041 (p < 0,01) Matek-jegy 8. végén, Érettségizett vs. nem érettségizett apák gyermekei (N = 3507): X-átlag = 4,06, Y-átlag = 3,82 t(3505) = 6,38, p = 0,000 (p < 0,001) GYAK
32 2 A kétmintás t-próba alkalmazási feltételei Különbségváltozó normalitása Elméleti szórások egyenlősége: σ = σ Szóráshomogenitás tesztelése: milyen próbákkal? Kétmintás t-próba robusztus alternatívája?
33 3 Példa CPI-Fem skála, Férfiak vs. Nők (N = 82): X-átlag: 12,1 (s=2,7), Y-átlag = 14,0 (s=2,0) Szóráshomogenitás tesztelése: Levene-próba: F(1; 14,6) = 3,409 (p = 0,0852)+ Átlagok összehasonlítása: Kétmintás t: t(80) = -2,95 (p = 0,0041)** Welch-féle d: d(13,1) = -2,37 (p = 0,0337)* GYAK
34 Kezelési hatás két független minta esetén Elméleti változás (különbség): 1 2 Cohen-féle delta (átlagok standardizált különbsége): ( 1 2 )/ Mintabeli becslés: d = (x 1 x 2 )/s e Értelmezés: 0,2: gyenge, 0,5: közepes, 0,8: erős különbség GYAK
35 5 Kettőnél több független minta átlagának összehasonlítása
36 6 80 GBR-csökkenés Agr 1 Agr 2 Agr 3 Fény Verbális Kísérleti csoport
37 7 Különbözik-e a minták elméleti nagyságszintje? Két ellentétes hatás: Minél jobban szóródnak a mintaátlagok, annál jobban eltérnek egymástól a minták. Minél jobban szóródnak az adatok az egyes mintákon belül, annál nagyobb az átfedés, annál kevésbé különböztethetők meg egymástól a minták.
38 8 80 GBR-csökkenés Agr 1 Agr 2 Agr 3 Fény Verbális Kísérleti csoport
39 9 Varianciaanalízis (VA) Var = Átlagok varianciája k = Hatásvariancia Var = Minták átlagos varianciája b = Hibavariancia Próbastatisztika: F = Var /Var k b F = Hatásvariancia/Hibavariancia
40 0 Egyszempontos független mintás VA Nullhipotézis: elméleti átlagok egyenlősége: H 0 : 1 = 2 =... = I Ha igaz H 0, akkor a fenti F mennyiség közelítőleg F-eloszlású. Ha F elég nagy, akkor H 0 -t elutasítjuk. F p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
41 1 Egyszempontos független mintás VA Nullhipotézis: elméleti átlagok egyenlősége: H 0 : 1 = 2 =... = I Ha igaz H 0, akkor a fenti F mennyiség közelítőleg F-eloszlású. Ha F elég nagy, akkor H 0 -t elutasítjuk. F p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
42 2 Egyszempontos független mintás VA Nullhipotézis: elméleti átlagok egyenlősége: H 0 : 1 = 2 =... = I Ha igaz H 0, akkor a fenti F mennyiség közelítőleg F-eloszlású. Ha F elég nagy, akkor H 0 -t elutasítjuk. F p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
43 3 Egyszempontos független mintás VA Nullhipotézis: elméleti átlagok egyenlősége: H 0 : 1 = 2 =... = I Ha igaz H 0, akkor a fenti F mennyiség közelítőleg F-eloszlású. Ha F elég nagy, akkor H 0 -t elutasítjuk. F p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
44 4 Egyszempontos független mintás VA Nullhipotézis: elméleti átlagok egyenlősége: H 0 : 1 = 2 =... = I Ha igaz H 0, akkor a fenti F mennyiség közelítőleg F-eloszlású. Ha F elég nagy, akkor H 0 -t elutasítjuk. F p (szignifikancia p-értéke) Ha p elég kicsi, akkor H 0 -t elutasítjuk.
45 5 VA alkalmazási feltételei Minták függetlensége Normalitás Elméleti szórások egyenlősége (szóráshomogenitás): σ 1 = σ 2 =... = σ I
46 Konkrét példa Agr 1 Agr 2 Agr 3 Fény Verb. n i xi 14,50 6,75 5,20-13,45-30,08 s i 29,60 9,15 6,96 13,11 14,57
47 Szóráshomogenitás ellenőrzése Levene-próba: F(4; 7) = 0,784 (p > 0,10, n. sz.) O Brien-próba: F(4; 8) = 1,318 (p > 0,10, n. sz.) GYAK
48 Hagyományos VA Hatásvariancia: Var k = 1413,9 Hibavariancia: Var b = 286,2 F próbastatisztika: F(4; 18) = 4,940** p-érték: p = 0,0073 (p < 0,01) GYAK
49 9 Mit csináljunk, ha a szóráshomogenitás feltétele erősen sérül? Robusztus varianciaanalízisek Welch-próba James-próba Brown-Forsythe-próba
50 Robusztus VA-k Welch-próba: W(4; 7,8) = 5,544* (p = 0,0203) James-próba: U = 27,851* (p < 0,05) Brown-Forsythe-próba: BF(4; 9) = 5,103* (p = 0,0200) GYAK
51 1 H 0 elutasítása esetén utóelemzés: az összes átlag páronkénti összehasonlítása Ha az elméleti átlagok különböznek, hogyan teszik ezt? Mi az eltérések mintázata? Cél: úgy végezzük el az összes páronkénti öszszehasonlítást, h. az I. fajta hiba ne nőjön meg. Szóráshomogenitás OK: Tukey-Kramer-próba Szóráshomogenitás sérül: Games-Howell-próba
52 A bemutatott példa utóelemzése Tukey-Kramer-próba: T12= 0,97 T13= 1,28 T14= 3,48 T15= 5,55** T23= 0,20 T24= 2,39 T25= 4,35* T34= 2,42 T35= 4,57* T45= 1,97 GYAK
53 Utóelemzés konklúziói Legszignifikánsabb különbség az 1. és az 5. minta átlaga között van (T15**) Az 5. minta (Verbális) átlaga három másik átlagtól is szignifikánsan különbözik (T25*, T35*, T15**) Az 5. minta (Verbális) kilógása okozza az öt átlag szignifikáns különbségét. GYAK
54 Kezelési hatás több független minta esetén Megmagyarázott variancia-arány (nemlineáris determinációs együttható): eta-négyzet e 2 = Hatás variabilitás/teljes variabilitás Korrelációs hányados (nemlineáris korrelációs együttható): eta GYAK
55 5 Mit csináljunk, ha a függő változó normalitása nagyon sérül? Összehasonlított populációk homogenitásának tesztelése rangsorolásos eljárásokkal. Szakmai kérdés: kilóg-e valamelyik populáció (alulról vagy felülről) a többi közül? Nagyobbak-e (kisebbek-e) valamelyik populációban az adatok, mint a többiben?
56 6 Kettőnél több összetartozó minta átlagának összehasonlítása Minden nagyjából úgy történik, mint független minták esetén, csak más képletekkel.
57 7 Eltérések A szóráshomogenitás a változók páronkénti különbségeire vonatkozik (szfericitás) A szóráshomogenitás sérülésének mértékét az epszilon együtthatók jelzik Robusztus alternatívák (Greenhouse-Geisser, Huynh-Feldt) Átlagok páronkénti összehasonlítása (Tukey)
58 Egy konkrét példa Változó átlag szórás Pulzus1 91,5 22,6 Pulzus2 97,7 21,5 Pulzus3 90,7 18,6
59 Hagyományos VA Hatásvariancia: Var = 1686,9 k Hibavariancia: Var = 121,4 e F-érték: F(2; 226) = 13,896*** Átlagok páronkénti összehas.: T12= 6,01** T13= 0,82 T23= 6,83** GYAK
60 Epszilon együtthatók Geisser-Greenhouse-féle ε: ε = 0,964 Huynh-Feldt-féle ε: ε = 0,980 Szabadságfok korrekció: A robusztus próbáknál ilyen arányban csökkennek a szabadságfokok
61 Robusztus VA-k Geisser-Greenhouse-féle VA: F(2; 218) = 13,896*** (p = 0,0000) Huynh-Feldt-féle VA: F(2; 222) = 13,896*** (p = 0,0000) Konklúzió: A 2. (intervenció alatt mért) pulzus kilóg a többi közül. GYAK
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
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
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
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
RészletesebbenV. Gyakorisági táblázatok elemzése
V. Gyakorisági táblázatok elemzése Tartalom Diszkrét változók és eloszlásuk Gyakorisági táblázatok Populációk összehasonlítása diszkrét változók segítségével Diszkrét változók kapcsolatvizsgálata Példák
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
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.
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
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
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
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
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
RészletesebbenIII. Kvantitatív változók kapcsolata (korreláció, regresszió)
III. Kvantitatív változók kapcsolata (korreláció, regresszió) Tartalom Változók kapcsolata Kétdimenziós minta (pontdiagram) Regressziós előrejelzés (predikció) Korreláció Tanuló Kétdimenziós minta Tanulással
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenBiomatematika 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:
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
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.
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
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 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
Részletesebben2012. április 18. Varianciaanaĺızis
2012. április 18. Varianciaanaĺızis Varianciaanaĺızis (analysis of variance, ANOVA) Ismételt méréses ANOVA Kérdések: (1) van-e különbség a csoportok között (t-próba általánosítása), (2) van-e hatása a
RészletesebbenVariancia-analízis (folytatás)
Variancia-analízis (folytatás) 7. elıadás (13-14. lecke) Egytényezıs VA blokk-képzés nélkül és blokk-képzéssel 13. lecke Egytényezıs variancia-analízis blokkképzés nélkül Az átlagok páronkénti összehasonlítása(1)
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
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
RészletesebbenHipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018
Hipotézisvizsgálat az Excel adatelemző eljárásaival Dr. Nyéki Lajos 2018 Egymintás t-próba Az egymintás T-próba azt vizsgálja, hogy különbözik-e a változó M átlaga egy megadott m konstanstól. Az a feltételezés,
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
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
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
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.
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
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenVariancia-analízis (VA)
Variancia-analízis (VA) 5. elıadás (9-10. lecke) VA lényege, alkalmazásának feltételei, adat-transzformációk 9. lecke Variancia-analízis lényege Szórások egyezésének ellenırzése A Variancia-Analízis (VA)
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
RészletesebbenEloszlás-független módszerek 13. elıadás ( lecke)
Eloszlás-független módszerek 13. elıadás (25-26. lecke) Rangszámokon alapuló korrelációs együttható A t-próbák és a VA eloszlásmentes megfelelıi 25. lecke A Spearman-féle rangkorrelációs együttható A Kendall-féle
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 Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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
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
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
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
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenKiváltott agyi jelek informatikai feldolgozása Statisztika - Gyakorlat Kiss Gábor IB.157.
Kiváltott agyi jelek informatikai feldolgozása 2018 Statisztika - Gyakorlat Kiss Gábor IB.157. kiss.gabor@tmit.bme.hu Példa I (Vonat probléma) Aladár 25 éves és mindkét nagymamája él még: Borbála és Cecília.
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
RészletesebbenA biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézis Állítás a populációról (vagy annak paraméteréről) Példák H1: p=0.5 (a pénzérme
RészletesebbenTöbbszempontos variancia analízis. Statisztika I., 6. alkalom
Többszempontos variancia analízis Statisztika I., 6. alkalom Kétszempontos variancia analízis Ha két független változónk van, mely a csoportosítás alapját képezi, akkor kétszempontos variancia analízisrıl
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
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
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
RészletesebbenBiostatisztika 2. Dr. Dinya Elek Dr. Solymosi Róbert: Biometria a klinikumban Dr. Dinya Elek: Biostatisztika c. művei alapján
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Biostatisztika 2. Dr. Dinya Elek Dr. Solymosi Róbert: Biometria a klinikumban Dr. Dinya Elek: Biostatisztika
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
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
RészletesebbenCentura Szövegértés Teszt
Centura Szövegértés Teszt Megbízhatósági vizsgálata Tesztfejlesztők: Megbízhatósági vizsgálatot végezte: Copyright tulajdonos: Bóka Ferenc, Németh Bernadett, Selmeci Gábor Bodor Andrea Centura Kft. Dátum:
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:
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenIntervallumbecsle 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
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
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:
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenA biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat során a rendelkezésre álló adatok (statisztikai
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
RészletesebbenFeladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?
Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését
RészletesebbenA bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:
A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,
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
RészletesebbenIsmételt méréses multifaktoriális varianciaanaĺızis (repeated measures MANOVA) 2012. szeptember 19.
Ismételt méréses multifaktoriális varianciaanaĺızis (repeated measures MANOVA) 2012. szeptember 19. Varianciaanaĺızis Adott egy parametrikus függő változó és egy vagy több kategoriális független változó.
RészletesebbenIsmétlı áttekintés. Statisztika II., 1. alkalom
Ismétlı áttekintés Statisztika II., 1. alkalom Hipotézisek Milyen a jó null hipotézis?? H0: Léteznek kitőnı tanuló diszlexiások. Sokkal inkább: H0: Nincs diszlexiás kitőnı tanuló általános iskolában Mo-on.
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
RészletesebbenALÁÍRÁS 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:
RészletesebbenNem-paraméteres és paraméteres módszerek. Kontingencia tábla, rangtranszformálás, párosított minták, két független minta
Nem-paraméteres és paraméteres módszerek Kontingencia tábla, rangtranszformálás, párosított minták, két független minta Az előadások célja bemutatni a hipotézis vizsgálat elveinek alkalmazását a gyakorlatban
RészletesebbenQ1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft
Gyak1: b) Mo = 1857,143 eft A kocsma tipikus (leggyakoribb) havi bevétele 1.857.143 Ft. c) Q1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft Gyak2: b) X átlag = 35 Mo = 33,33 σ = 11,2909 A = 0,16 Az
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
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
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
RészletesebbenH0 hipotézis: μ1 = μ2 = μ3 = μ (a különböző talpú cipők eladási ára megegyezik)
5.4: 3 különböző talpat hasonlítunk egymáshoz Varianciaanalízis. hipotézis: μ1 = μ2 = μ3 = μ (a különböző talpú cipők eladási ára megegyezik) hipotézis: Létezik olyan μi, amely nem egyenlő a többivel (Van
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
RészletesebbenBiostatisztika Hipotézisvizsgálatok, egy- és kétoldalas próbák, statisztikai hibák, ANOVA
Biostatisztika Hipotézisvizsgálatok, egy- és kétoldalas próbák, statisztikai hibák, ANOVA Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
Részletesebbenkritikus érték(ek) (critical value).
Hipotézisvizsgálatok (hypothesis testing) A statisztikának egyik célja lehet a populáció tulajdonságainak, ismeretlen paramétereinek a becslése. A másik tipikus cél: valamely elmélet, hipotézis empirikus
RészletesebbenElemi statisztika fizikusoknak
1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok
RészletesebbenFélidőben félsiker Részleges eredmények a kutatásalapú kémiatanulás terén
Félidőben félsiker Részleges eredmények a kutatásalapú kémiatanulás terén Szalay Luca 1, Tóth Zoltán 2, Kiss Edina 3 MTA-ELTE Kutatásalapú Kémiatanítás Kutatócsoport 1 ELTE, Kémiai Intézet, luca@caesar.elte.hu
RészletesebbenROBUSZTUS LINEÁRIS REGRESSZIÓ ALKALMAZÁSA PSZICHOLÓGIAI ELEMZÉSEKBEN
DOI: 10.12663/PsyHung.1.2013.1.2.4 ROBUSZTUS LINEÁRIS REGRESSZIÓ ALKALMAZÁSA PSZICHOLÓGIAI ELEMZÉSEKBEN Takács Szabolcs 1 Smohai Máté 2 1 Károli Gáspár Református Egyetem és Budapest Főváros Kormányhivatala
RészletesebbenVargha 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,
RészletesebbenKorreláció, regresszió. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
Korreláció, regresszió Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Két folytonos változó közötti kapcsolat Tegyük fel, hogy 6 hallgató a következő válaszokat adta egy felmérés
RészletesebbenA ROPstat statisztikai programcsomag*
A ROPstat statisztikai programcsomag* Vargha András, a Károli Gáspár Református Egyetem, valamint az Eötvös Loránd Tudományegyetem Pszichológiai Intézetének egyetemi tanára E-mail: vargha.andras@kre.hu
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenA 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,
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
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
RészletesebbenKorreláció és Regresszió
Korreláció és Regresszió 9. elıadás (17-18. lecke) Korrelációs együtthatók 17. lecke Áttekintés (korreláció és regresszió) A Pearson-féle korrelációs együttható Korreláció és Regresszió (témakörök) Kapcsolat
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
RészletesebbenRegresszió és ANOVA. Freedman: fejezet. Freedman: fejezet. Freedman: fejezet
Kabos: Statisztika II. Összefüggésvizsgálat 11.9 Slide 1 Slide 1 Slide 1 Összefüggésvizsgálat 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása
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
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
Részletesebben