TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23
|
|
- Elvira Pataki
- 7 évvel ezelőtt
- Látták:
Átírás
1
2 TARTALOMJEGYZÉK 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita) téma Összefüggések vizsgálata, korrelációanalízis (Dr. Molnár Tamás) téma Összefüggések vizsgálata, regresszióanalízis (Barna Katalin) téma Idõsorok összetevõinek elemzése (Nagy Mónika Zita) Mellékletek
3 2. téma HIPOTÉZISVIZSGÁLATOK ISMÉTLÕ KÉRDÉSEK 1. Mi a hipotézisvizsgálat logikai menete (lépései)? 2. Mit jelent az elsõ- és másodfajú hiba? 3. Milyen fõbb statisztikai próbákat ismer az átlagokra és a szórásokra vonatkozóan? 4. Mi a varianciaanalízis 3 fõ lépése? 5. Mi alapján és hogyan döntünk a hipotézisvizsgálatok során? A feladatok megoldásához szükséges kritikusérték-táblázatok a Mellékletek c. fejezetben megtalálhatók. 23
4 Egyszerûen statisztika 2. MINTAPÉLDA I. Egymintás átlagokra vonatkozó próba, t-próba 1. példa: Egy termelõ burgonyatermõ területének elõirányzott termésmennyisége 25,50 tonna/hektár. Reprezentatív mintavétellel 13 mintaterületrõl mintát vettünk. Ezek eredményei a következõk (tonna/hektár): 25,90; 25,40; 23,60; 24,50; 26,30; 23,20; 24,60; 25,40; 23,90; 25,50; 25,20; 26,10; 25,30 a) A mérési eredmények alapján állapítsa meg 5%-os szignifikanciaszinten, hogy a tervezett terméseredmény elérhetõ-e! b) Értelmezze a kapott eredményt! A mintapélda megoldása: a) A mérési eredmények alapján állapítsa meg 5%-os szignifikanciaszinten, hogy a tervezett terméseredmény elérhetõ-e! A hipotézisvizsgálatok során a sokaság átlagát, szórását mindig minta alapján becsüljük, és vizsgálataink során ezt a becsült értéket egy elméleti értékkel hasonlítjuk össze. A két érték közötti azonosság vagy különbözõség megállapítása lehetõvé teszi annak eldöntését, hogy a minta származhat-e egy adott paraméterrel jellemzett sokaságból, illetve, hogy a minta vizsgált paramétere azonos-e egy elvárt, szabvány szerinti értékkel. A tesztelés különbözõ próbák alkalmazásával valósítható meg, azonban a hipotézisvizsgálatok esetén egy jól meghatározott metodikát kell követnünk: 1. A szakmai kérdés megfogalmazása. Arra vagyunk tehát kíváncsiak, hogy 5%-os szignifikanciaszinten a tervezett terméseredmény elérhetõ-e, vagyis a mintából számolt termésátlag és az elvárt hozam közötti tapasztalt különbség csak a mintavételi hibából fakad. 24
5 2. téma Hipotézisvizsgálatok 2. A nullhipotézis (alaphipotézis, H 0 ) és az alternatív vagy ellenhipotézis (H 1 ) megfogalmazása. Itt rögzítjük a szignifikanciaszintet ( ) is. H 0 : x m H 0 : 25,50 = 24,99 =5% H 1 : x m H 1 : 25,50 24,99 A 25,50 tonna/hektár a termelõ által elõirányzott termésmennyiség, a 24,99 tonna/hektár termésátlagot pedig egyszerû számtani átlaggal számítottuk ki, a minta alapján. 3. Eldöntjük a próbafüggvény típusát, kiszámítjuk a minta (vagy minták) alapján a próbafüggvény aktuális értékét. Az aktuális próbafüggvény kiválasztása most nagyon egyszerû, hiszen tudjuk, hogy egy mintából számított átlagot hasonlítunk egy elvárt átlaghoz, tehát egymintás t-próbát alkalmazunk. Az aktuális próbafüggvény értékének számítása a következõ formulával történik: x t 24, 99 25, 50 t 189,, s 027, d s d ahol s 097, 027,. n A mellékletben található megfelelõ kritikusérték-táblázatból (t-táblázat) kikeressük a megfelelõ szabadságfokhoz SZF=n 1=13 1=12, és (0,05) szignifikanciaszinthez tartozó kritikus (táblabeli) értéket, amely = 2,16. 25
6 Egyszerûen statisztika 2. Fontos megjegyezni, hogy kétoldalú vagy kétszélû próba esetén is 5%-on rögzítjük a szignifikanciaszintet, de mivel a próba kétszélû (H 1 : x m ), ezért a hiba is 2 egyenlõ részre oszlik el, ezért valójában 2,5%-os szignifikanciaszintnél keressük ki a táblázatbeli kritikus értéket. 5. Döntünk arra vonatkozóan, hogy a nullhipotézist vagy az alternatív hipotézist fogadjuk-e el. Az eredmények alapján a H 0 igaz, mert a számított érték (t) a kritikus érték (t ) alatt marad: 1,89 (t) < 2,16 (t ) b) Értelmezze a kapott eredményt! 6. Szakmai következtetések levonása. Az alaphipotézis elfogadása alapján azt mondhatjuk, hogy az elvárt terméshozam és a mintából számolt termésátlag között tapasztalt különbség (0,51 tonna/hektár) csak a véletlen, illetve a mintavételi hiba mûve, vagyis az elõírt terméseredmény elérhetõ. Kétmintás átlagokra vonatkozó próba, t-próba 2. példa: Egy édességgyártó üzem két csokoládékészítõ részlegét hasonlítottuk össze a csokoládék energiatartalma alapján. Mindkét fajtából 8-8 elemû mintát veszünk a feltevés ellenõrzésére, ezek jellemzõi: A fajta átlaga: 2010 kj/száz g A fajta szórása: 2,2 kj/száz g B fajta átlaga: 1995 kj/száz g B fajta szórása: 1,9 kj/száz g a) Mivel fogyókúrázunk, arra vagyunk kíváncsiak, hogy a két csokoládéfajta energiatartalma között van-e igazolt különbség tehát melyik csoki ener- 26
7 2. téma Hipotézisvizsgálatok giatartalma kevesebb, vagy a megfigyelt különbség csak a mintavétel hibájából fakad. b) Ha tapasztal igazolt különbséget, számítsa ki annak nagyságát! c) Értelmezze az eredményeket! A mintapélda megoldása: a) Mivel fogyókúrázunk, arra vagyunk kíváncsiak, hogy a két csokoládéfajta energiatartalma között van-e igazolt különbség tehát melyik csoki energiatartalma kevesebb, vagy a megfigyelt különbség csak a mintavétel hibájából fakad. 1. A szakmai kérdés megfogalmazása. A feladatunk tehát annak megfogalmazása, hogy a két csokoládéfajta energiatartalma között van-e tényleges minõségbeli különbség. 2. A nullhipotézis (alaphipotézis, H 0 ) és az alternatív vagy ellenhipotézis (H 1 ) megfogalmazása. Itt rögzítjük a szignifikanciaszintet ( ) is. H : x x H : 2010 = 1995 =5% : H 1 : H x x Eldöntjük a próbafüggvény típusát, kiszámítjuk a minta (vagy minták) alapján a próbafüggvény aktuális értékét. Az aktuális próbafüggvény most a kétmintás t-próba, hiszen két különbözõ csokoládéfajta energiatartalmát hasonlítjuk össze, ennek megfelelõen a t-próbafüggvény értékének számítása a következõ formulával történik: x x t sd S p x x n n
8 Egyszerûen statisztika 2. egyenlõ szórások A esetén, ahol S p 2 2 ( n 1) s ( n 1) s , 7 2, 20 n n t 14, , ,, 4. A megfelelõ kritikusérték-táblázatból (t-táblázat) kikeressük a megfelelõ szabadságfokhoz és szignifikanciaszinthez tartozó kritikus (táblabeli) értéket, amely (0,05) szignifikanciaszinten B és n 1 +n 2 2=14szabadságfok esetén: t = 2,15 5. Döntünk arra vonatkozóan, hogy a nullhipotézist vagy az alternatív hipotézist fogadjuk-e el. Ennek alapján a H 1 ellenhipotézist fogadjuk el, mert a tapasztalati (számított) érték nagyobb, mint a táblázatbeli (kritikus) érték: 6. Szakmai következtetések levonása. 14,56 (t) 2,15 (t /2 ) Vizsgálataink alapján megállapíthatjuk, hogy az A fajta energiatartalma igazoltan (statisztikailag) különbözik a B fajta energiatartalmától, tehát a két csoki között minõségbeli különbség mutatkozik. A A szórások különbözõsége, illetve egyezõsége azért fontos, mert a kétmintás t-próba esetén két különbözõ képletet alkalmazhatunk. Ahhoz, hogy eldöntsük, melyik képlet alapján számítsuk ki az aktuális t-értéket, elõbb a szórásokat kell letesztelnünk, F-próbával. A szórásokra vonatkozó próbákkal a jelen fejezetben még megismerkedhet az olvasó. B Természetesen itt is kétoldalú próbáról van szó az alternatív hipotézis megfogalmazása alapján, így ebben az esetben is 2,5%-nál keressük ki a kritikus értéket. 28
9 2. téma Hipotézisvizsgálatok b) Ha tapasztal igazolt különbséget, számítsa ki annak nagyságát! A kétmintás t-próba esetén, amennyiben H 1 hipotézist fogadjuk el, lehetõségünk van arra, hogy kiszámítsuk a két mintaátlag közötti statisztikailag igazolt különbséget. Ennek érdekében ki kell számítanunk az SZD P% értékét, amely azt az adott szignifikanciaszinten felmerülõ maximális hibát jelenti, amely még mintavételi hibának tulajdonítható. Mindezek alapján a két mintaátlag között matematikailag is tapasztalható különbséget az alábbi módon bonthatjuk fel. A tapasztalt különbség felosztása 2.1. ábra Mintavételi hiba SZD P% Igazolt különbség Tapasztalt különbség: 15 Forrás: A szerzõk saját szerkesztése Az ábrából kiolvasható, hogy a két csoki átlagos energiatartalma között tapasztalt matematikai különbség nem teljes mértékben a minõségi különbség oka, hanem részben a mintavétel hibájából fakad. A tényleges különbség a hiba feletti rész nagyságával egyenlõ. Az igazolt különbség számítása a következõképpen történik: SZD 5% =t 5% s d, ahol SZD 5% = az 5%-os szignifikanciaszinthez tartozó maximális hiba, t 5% = az 5%-os szignifikanciaszinthez tartozó kritikus t-érték (SZF = n 1 +n 2 2), amelyet már megnéztünk: 2,15, s d = különbségek hibaszórása, amely egyenlõ a t-próba értékének nevezõjével: 1,03. 29
10 Egyszerûen statisztika 2. Példánkban az SZD 5% értéke: 215, 013, 2, 21 Ez tehát a maximális hiba értéke, az igazolt különbség pedig a kezelésátlagok különbségének az SZD 5% -kal csökkentett értéke: c) Értelmezze az eredményeket! ,21 = 12,79 Tehát az A fajta energiatartalma és a B fajta energiatartalma között 12,79 kj statisztikailag igazolható különbség van, 5%-os tévedési valószínûség mellett. Hétköznapi nyelven a 15 kj-os megfigyelt különbségbõl 2,79 kj a mintavételi hibának tulajdonítható, és csak az e feletti rész (12,79 kj) tekinthetõ statisztikailag igazoltnak, tehát az A csoki energiatartalma igazoltan ennyivel nagyobb a B csoki energiatartalmánál. 3. példa: Két búzafajta N-tartalmát hasonlítjuk össze, és azt vizsgáljuk, hogy a két búzafajta N-tartalma között van-e igazolt különbség. Mindkét fajtából 7-7 elemû mintát veszünk a feltevés ellenõrzésére, ezek jellemzõi: A fajta átlaga: 2,15 g/száz g A fajta szórása: 0,311 g/száz g B fajta átlaga: 1,95 g/száz g B fajta szórása: 0,108 g/száz g a) Állapítsa meg, hogy a két búzafajta N-tartalma között van-e igazolt különbség! b) Ha tapasztal igazolt különbséget, számítsa ki annak nagyságát! c) Értelmezze az eredményeket! 30
11 2. téma Hipotézisvizsgálatok A mintapélda megoldása: a) Állapítsa meg, hogy a két búzafajta N-tartalma között van-e igazolt különbség! 1. A szakmai kérdés megfogalmazása. Arra vagyunk tehát kíváncsiak, hogy a két búzafajta N-tartalma között van-e tényleges különbség! 2. A nullhipotézis (alaphipotézis, H 0 ) és az alternatív vagy ellenhipotézis (H 1 ) megfogalmazása. Itt rögzítjük a szignifikanciaszintet ( ) is. H : x x H : 2,15 = 1,95 H : x x H : 2,15 1,95 =5% 3. Eldöntjük a próbafüggvény típusát, kiszámítjuk a minta (vagy minták) alapján a próbafüggvény aktuális értékét. A mintapéldában 2 mintaátlag összehasonlítására kerül sor, ezért kétmintás t-próbát kell alkalmazni. Az aktuális próbafüggvény értékének számítása a következõ formulával történik: t x x 1 2 s d s d nem egyenlõ szórások C esetén, ahol s s , 011, 0120,, n n C A szórások különbözõsége, illetve egyezõsége azért fontos, mert a kétmintás t-próba esetén két különbözõ képletet alkalmazhatunk. Ahhoz, hogy eldöntsük, melyik képlet alapján számítsuk ki az aktuális t-értéket, elõbb a szórásokat kell letesztelnünk, F-próbával. A szórásokra vonatkozó próbákkal a jelen fejezetben még megismerkedhet az olvasó. 31
12 Egyszerûen statisztika , 195, t 1, , 4. A megfelelõ kritikusérték-táblázatból (t-táblázat) kikeressük a megfelelõ szabadságfokhoz és szignifikanciaszinthez tartozó kritikus (táblabeli) értéket, amely (0,05) szignifikanciaszinten és n 1 +n 2 2=12szabadságfok esetén: 2,18 5. Döntünk arra vonatkozóan, hogy a nullhipotézist vagy az alternatív hipotézist fogadjuk-e el. A fentiek alapján a H 0 alaphipotézist fogadjuk el, mert a tapasztalati (számított) érték kisebb, mint a táblázatbeli (kritikus) érték: 1,54 (t) < 2,18 (t ) b) Ha tapasztal igazolt különbséget, számítsa ki annak nagyságát! Mivel az alaphipotézist fogadtuk el, azaz szignifikáns különbséget a két búzafajta N-tartamát illetõen nem tapasztalunk, ez a feladat okafogyottá vált. c) Értelmezze az eredményeket! 6. Szakmai következtetések levonása. Vizsgálataink alapján megállapíthatjuk, hogy az A fajta N-tartalma nem különbözik a B fajta N-tartalmától. 32
Hipotézis 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
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
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
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
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
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
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
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
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 -
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
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
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
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
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
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
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 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
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
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
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
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
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
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,
RészletesebbenVIZSGADOLGOZAT. I. PÉLDÁK (60 pont)
VIZSGADOLGOZAT (100 pont) A megoldások csak szöveges válaszokkal teljes értékűek! I. PÉLDÁK (60 pont) 1. példa (13 pont) Az egyik budapesti könyvtárban az olvasókból vett 400 elemű minta alapján a következőket
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
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,
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:
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
RészletesebbenMatematika 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
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenStatisztikai 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
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
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.
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
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
Részletesebben[Biomatematika 2] Orvosi biometria
[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 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:
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)
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
RészletesebbenSzámítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA
SZDT-04 p. 1/30 Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás
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
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.
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
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
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
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
Részletesebbenegyetemi 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.
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
RészletesebbenBiometria gyakorló feladatok BsC hallgatók számára
Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90
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
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
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
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
RészletesebbenMatematikai statisztikai elemzések 4.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések 4. MSTE4 modul Hipotézisvizsgálat: alapfogalmak, egymintás és kétmintás próbák. Illeszkedés-
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
RészletesebbenMatematikai statisztikai elemzések 4.
Matematikai statisztikai elemzések 4. Hipotézisvizsgálat: alapfogalmak, egymintás és kétmintás próbák. Prof. Dr. Závoti, József Matematikai statisztikai elemzések 4.: Hipotézisvizsgálat: alapfogalmak,
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
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
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:
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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,
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenSTATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
RészletesebbenA 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:
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 8. rész: Statisztikai eszköztár: Alapfokú statisztikai ismeretek Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Nyolcadik rész Statisztikai eszköztár: Alapfokú statisztikai
RészletesebbenElemszám becslés. Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet
Elemszám becslés Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet Miért fontos? Gazdasági okok: Túl kevés elem esetén nem tudjuk kimutatni a kívánt hatást Túl kevés elem esetén olyan eredmény
RészletesebbenIV. Változók és csoportok összehasonlítása
IV. Változók és csoportok összehasonlítása Tartalom Összetartozó és független minták Csoportosító változók Két összetartozó minta összehasonlítása Két független minta összehasonlítása Több független minta
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
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.
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
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
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
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
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
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.
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
RészletesebbenMódszertani 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
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenMódszertani dilemmák a statisztikában 40 éve alakult a Jövőkutatási Bizottság
Módszertani dilemmák a statisztikában 40 éve alakult a Jövőkutatási Bizottság SZIGNIFIKANCIA Sándorné Kriszt Éva Az MTA IX. Osztály Statisztikai és Jövőkutatási Tudományos Bizottságának tudományos ülése
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
Részletesebben1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik. (b) Mit nevezünk másodfajú hibának?
Statisztika 2015. május 08. D csoport Név Neptun kód 1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik pályázatnál 320 pályázóból 42 nyert, a másik pályázatnál
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
Részletesebben11. Matematikai statisztika
11. Matematikai statisztika 11.1. Alapfogalmak A statisztikai minta valamely valószínűségi változóra vonatkozó véges számú független kisérlet eredménye. Ez véges sok, azonos eloszlású valószínűségi változó
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)
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
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
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
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely április 24. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 24. Outline 1 A mintavételi hiba és konfidencia-intervallum 2 A mintaválasztás A mintaválasztás célja Alapfogalmak A mintaválasztás
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
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:
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
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
RészletesebbenValószín ségszámítás és statisztika Gyakorlat (Kétmintás próbák)
Gyakorlat (Kétmintás próbák) 2018. december 4. Kétmintás u-próba 1 Adott két független minta 0.0012 szórású normális eloszlásból. Az egyik, 9 elem minta realizációjának átlaga 0.1672, a másik 16 elem é
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
Részletesebben