Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.
|
|
- Anna Csonkané
- 8 évvel ezelőtt
- Látták:
Átírás
1 Statisztika I. 4. előadás Mintavétel Kóczy Á. László KGK-VMI
2 Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság, melyből az alapsokaságra következtetni szeretnénk. A következtetés sosem tökéletes! Akkor miért? Költséghatékonyság Az alapsokaság nem létező elemeire is akarunk következtetni. Az alapsokaság lehet akár végtelen elemszámú is.
3 Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság, melyből az alapsokaságra következtetni szeretnénk. A következtetés sosem tökéletes! Akkor miért? Költséghatékonyság Az alapsokaság nem létező elemeire is akarunk következtetni. Az alapsokaság lehet akár végtelen elemszámú is.
4 A sokaságok fajtái áttekintés Véletlen egyed: ξ, eloszlásfüggvénye F(X) = P(ξ < X). Sokaság eloszlásfüggvény várható érték szórásnégyzet fajtája (F(X)) (M(ξ)) (D 2 (ξ)) véges X-nél kisebb egyedek N X i (X i X) 2 /N diszkrét folytonos
5 A sokaságok fajtái áttekintés Véletlen egyed: ξ, eloszlásfüggvénye F(X) = P(ξ < X). Sokaság eloszlásfüggvény várható érték szórásnégyzet fajtája (F(X)) (M(ξ)) (D 2 (ξ)) véges diszkrét X-nél kisebb egyedek N lépcsős X i P(ξ = X i)x i i (X i X) 2 /N M(ξ 2 ) M 2 (ξ) folytonos
6 A sokaságok fajtái áttekintés Véletlen egyed: ξ, eloszlásfüggvénye F(X) = P(ξ < X). Sokaság eloszlásfüggvény várható érték szórásnégyzet fajtája (F(X)) (M(ξ)) (D 2 (ξ)) véges X-nél kisebb egyedek N X i (X i X) 2 /N diszkrét lépcsős i P(ξ = X i)x i M(ξ 2 ) M 2 (ξ) folytonos (ha létezik) Xf (X)dX M(ξ2 ) M 2 (ξ)
7 A sokaságok fajtái áttekintés Véletlen egyed: ξ, eloszlásfüggvénye F(X) = P(ξ < X). Sokaság eloszlásfüggvény várható érték szórásnégyzet fajtája (F(X)) (M(ξ)) (D 2 (ξ)) véges X-nél kisebb egyedek N X i (X i X) 2 /N diszkrét lépcsős i P(ξ = X i)x i M(ξ 2 ) M 2 (ξ) folytonos (ha létezik) Xf (X)dX M(ξ2 ) M 2 (ξ)
8 Minta és konkrét minta Különbséget teszünk a minta (tulajdonképpen a mintavételi eljárás, ill. annak elméleti eredménye) és egy konkrét minta (a mintavételi eljárás egyszeri alkalmazása) között. Pl: Magyar állampolgárok vagyoni helyzetét próbáljuk felmérni két véletlenszerűen kiválasztott egyén alapján. A véletlenszerűen kiválasztott minta kb. jellemző az alapsokaságra. Egy konkrét minta bármi lehet (pl. Csányi Sándor és Kóka János) itt ebből kell majd az alapsokaságra következtetnünk. Nagy, vagy sok minta segít a becslés pontosságában (erről a 2. előadáson)
9 Minta és konkrét minta Különbséget teszünk a minta (tulajdonképpen a mintavételi eljárás, ill. annak elméleti eredménye) és egy konkrét minta (a mintavételi eljárás egyszeri alkalmazása) között. Pl: Magyar állampolgárok vagyoni helyzetét próbáljuk felmérni két véletlenszerűen kiválasztott egyén alapján. A véletlenszerűen kiválasztott minta kb. jellemző az alapsokaságra. Egy konkrét minta bármi lehet (pl. Csányi Sándor és Kóka János) itt ebből kell majd az alapsokaságra következtetnünk. Nagy, vagy sok minta segít a becslés pontosságában (erről a 2. előadáson)
10 Minta és konkrét minta Különbséget teszünk a minta (tulajdonképpen a mintavételi eljárás, ill. annak elméleti eredménye) és egy konkrét minta (a mintavételi eljárás egyszeri alkalmazása) között. Pl: Magyar állampolgárok vagyoni helyzetét próbáljuk felmérni két véletlenszerűen kiválasztott egyén alapján. A véletlenszerűen kiválasztott minta kb. jellemző az alapsokaságra. Egy konkrét minta bármi lehet (pl. Csányi Sándor és Kóka János) itt ebből kell majd az alapsokaságra következtetnünk. Nagy, vagy sok minta segít a becslés pontosságában (erről a 2. előadáson)
11 Minta és konkrét minta Különbséget teszünk a minta (tulajdonképpen a mintavételi eljárás, ill. annak elméleti eredménye) és egy konkrét minta (a mintavételi eljárás egyszeri alkalmazása) között. Pl: Magyar állampolgárok vagyoni helyzetét próbáljuk felmérni két véletlenszerűen kiválasztott egyén alapján. A véletlenszerűen kiválasztott minta kb. jellemző az alapsokaságra. Egy konkrét minta bármi lehet (pl. Csányi Sándor és Kóka János) itt ebből kell majd az alapsokaságra következtetnünk. Nagy, vagy sok minta segít a becslés pontosságában (erről a 2. előadáson)
12 Fogalmak/jellemzők Minta elemszáma (n) Az alapsokaság lehet véges, megszámlálhatóan végtelen (diszkrét), megszámlálhatatlanul végtelen (folytonos). A minta elemszáma mindig véges! Minta elemei Valószínűségi változók: ξ 1,..., ξ i,..., ξ n Mintavételi keret Az alapsokaság elemeit pontosan egyszer tartalmazza. Problémák: végtelen/változó alapsokaság Kiválasztási arány A minta és a sokaság elemeinek hányadosa: n N A minta mérete Kis vagy nagy minta. 100 felett nagy.
13 Fogalmak/jellemzők Minta elemszáma (n) Az alapsokaság lehet véges, megszámlálhatóan végtelen (diszkrét), megszámlálhatatlanul végtelen (folytonos). A minta elemszáma mindig véges! Minta elemei Valószínűségi változók: ξ 1,..., ξ i,..., ξ n Mintavételi keret Az alapsokaság elemeit pontosan egyszer tartalmazza. Problémák: végtelen/változó alapsokaság Kiválasztási arány A minta és a sokaság elemeinek hányadosa: n N A minta mérete Kis vagy nagy minta. 100 felett nagy.
14 Fogalmak/jellemzők Minta elemszáma (n) Az alapsokaság lehet véges, megszámlálhatóan végtelen (diszkrét), megszámlálhatatlanul végtelen (folytonos). A minta elemszáma mindig véges! Minta elemei Valószínűségi változók: ξ 1,..., ξ i,..., ξ n Mintavételi keret Az alapsokaság elemeit pontosan egyszer tartalmazza. Problémák: végtelen/változó alapsokaság Kiválasztási arány A minta és a sokaság elemeinek hányadosa: n N A minta mérete Kis vagy nagy minta. 100 felett nagy.
15 Fogalmak/jellemzők Minta elemszáma (n) Az alapsokaság lehet véges, megszámlálhatóan végtelen (diszkrét), megszámlálhatatlanul végtelen (folytonos). A minta elemszáma mindig véges! Minta elemei Valószínűségi változók: ξ 1,..., ξ i,..., ξ n Mintavételi keret Az alapsokaság elemeit pontosan egyszer tartalmazza. Problémák: végtelen/változó alapsokaság Kiválasztási arány A minta és a sokaság elemeinek hányadosa: n N A minta mérete Kis vagy nagy minta. 100 felett nagy.
16 Fogalmak/jellemzők Minta elemszáma (n) Az alapsokaság lehet véges, megszámlálhatóan végtelen (diszkrét), megszámlálhatatlanul végtelen (folytonos). A minta elemszáma mindig véges! Minta elemei Valószínűségi változók: ξ 1,..., ξ i,..., ξ n Mintavételi keret Az alapsokaság elemeit pontosan egyszer tartalmazza. Problémák: végtelen/változó alapsokaság Kiválasztási arány A minta és a sokaság elemeinek hányadosa: n N A minta mérete Kis vagy nagy minta. 100 felett nagy.
17 A mintavétel módja Visszatevéses v. visszatevés nélküli mintavétel A mintavétel módja- visszatevéses visszatevés nélküli A sokaság elemszáma A mintaelemek kapcsolata... Végtelen függetlenek függetlenek Véges függetlenek nem függetlenek
18 A mintavételi eljárások 1/2. Véletlen mintavételi eljárások Független, azonos eloszlású minta: Ld fent. Egyszerű véletlen mintavétel: homogén, véges sokaságból, mintavételi keretből visszatevés nélkül. Rétegzett mintavétel: csoportokba osztott sokaságból mennyit az egyes csoportokból? Egyenletes: minden rétegből n j = n M. Neyman-féle optimális: Nagyobb szórású rétegből nagyobb rétegminta.
19 A mintavételi eljárások 1/2. Véletlen mintavételi eljárások Független, azonos eloszlású minta: Ld fent. Egyszerű véletlen mintavétel: homogén, véges sokaságból, mintavételi keretből visszatevés nélkül. Rétegzett mintavétel: csoportokba osztott sokaságból mennyit az egyes csoportokból? Egyenletes: minden rétegből n j = n M. Neyman-féle optimális: Nagyobb szórású rétegből nagyobb rétegminta.
20 A mintavételi eljárások 1/2. Véletlen mintavételi eljárások Független, azonos eloszlású minta: Ld fent. Egyszerű véletlen mintavétel: homogén, véges sokaságból, mintavételi keretből visszatevés nélkül. Rétegzett mintavétel: csoportokba osztott sokaságból mennyit az egyes csoportokból? Egyenletes: minden rétegből n j = n M. Neyman-féle optimális: Nagyobb szórású rétegből nagyobb rétegminta.
21 A mintavételi eljárások 1/2. Véletlen mintavételi eljárások Független, azonos eloszlású minta: Ld fent. Egyszerű véletlen mintavétel: homogén, véges sokaságból, mintavételi keretből visszatevés nélkül. Rétegzett mintavétel: csoportokba osztott sokaságból mennyit az egyes csoportokból? Egyenletes: minden rétegből n j = n M. Neyman-féle optimális: Nagyobb szórású rétegből nagyobb rétegminta.
22 A mintavételi eljárások 2/2. Csoportos: a sokaság egy v. több csoportját teljes egészében kiválasztjuk Többlépcsős: A csoporton belül is választunk. Kombinált. Pl: Ismétlődő időbeli változást vizsgál; több mintavétel uarról a sokaságról több időpontban. Panelfelvétel ugyanaz a mintafelvétel több időpontban (pl ugyanazok az egyedek) Nem véletlen mintavételi eljárások Szisztematikus mintavétel: sorbarendezett keretből minden [ N n ] -edik elem. Kvóta szerinti Önkényes
23 A mintavételi eljárások 2/2. Csoportos: a sokaság egy v. több csoportját teljes egészében kiválasztjuk Többlépcsős: A csoporton belül is választunk. Kombinált. Pl: Ismétlődő időbeli változást vizsgál; több mintavétel uarról a sokaságról több időpontban. Panelfelvétel ugyanaz a mintafelvétel több időpontban (pl ugyanazok az egyedek) Nem véletlen mintavételi eljárások Szisztematikus mintavétel: sorbarendezett keretből minden [ N n ] -edik elem. Kvóta szerinti Önkényes
24 A mintavételi eljárások 2/2. Csoportos: a sokaság egy v. több csoportját teljes egészében kiválasztjuk Többlépcsős: A csoporton belül is választunk. Kombinált. Pl: Ismétlődő időbeli változást vizsgál; több mintavétel uarról a sokaságról több időpontban. Panelfelvétel ugyanaz a mintafelvétel több időpontban (pl ugyanazok az egyedek) Nem véletlen mintavételi eljárások Szisztematikus mintavétel: sorbarendezett keretből minden [ N n ] -edik elem. Kvóta szerinti Önkényes ma már nem igazán elfogadott.
25 A mintavételi eljárások 2/2. Csoportos: a sokaság egy v. több csoportját teljes egészében kiválasztjuk Többlépcsős: A csoporton belül is választunk. Kombinált. Pl: Ismétlődő időbeli változást vizsgál; több mintavétel uarról a sokaságról több időpontban. Panelfelvétel ugyanaz a mintafelvétel több időpontban (pl ugyanazok az egyedek) Nem véletlen mintavételi eljárások Szisztematikus mintavétel: sorbarendezett keretből minden [ N n ] -edik elem. Kvóta szerinti Önkényes ma már nem igazán elfogadott.
26 A mintajellemzők tulajdonságai jellemző sokaság minta konkrét minta ismérvértékek x 1, x 2,... ξ 1, ξ 2,..., ξ n x 1, x 2,..., x n átlag µ ˆµ x A mintaátlag tulajdonságai: várható értéke: M(ˆµ) = µ. szórása: D(ˆµ) = σˆµ = σ n (nagyobb minta, kisebb szórás!) szórása (ha nem függetlenek pl egyszerű mintavételnél): D(ˆµ) = σˆµ = σ n 1 n N (ez a korrekciós tényező) eloszlása: Normális eloszlású sokaság esetén normális. Nagy minta esetén közel normális. Egyébként nem tudjuk.
27 A mintajellemzők tulajdonságai jellemző sokaság minta konkrét minta ismérvértékek x 1, x 2,... ξ 1, ξ 2,..., ξ n x 1, x 2,..., x n átlag µ ˆµ x A mintaátlag tulajdonságai: várható értéke: M(ˆµ) = µ. szórása: D(ˆµ) = σˆµ = σ n (nagyobb minta, kisebb szórás!) szórása (ha nem függetlenek pl egyszerű mintavételnél): D(ˆµ) = σˆµ = σ n 1 n N (ez a korrekciós tényező) eloszlása: Normális eloszlású sokaság esetén normális. Nagy minta esetén közel normális. Egyébként nem tudjuk.
28 A mintajellemzők tulajdonságai jellemző sokaság minta konkrét minta ismérvértékek x 1, x 2,... ξ 1, ξ 2,..., ξ n x 1, x 2,..., x n átlag µ ˆµ x A mintaátlag tulajdonságai: várható értéke: M(ˆµ) = µ. szórása: D(ˆµ) = σˆµ = σ n (nagyobb minta, kisebb szórás!) szórása (ha nem függetlenek pl egyszerű mintavételnél): D(ˆµ) = σˆµ = σ n 1 n N (ez a korrekciós tényező) eloszlása: Normális eloszlású sokaság esetén normális. Nagy minta esetén közel normális. Egyébként nem tudjuk.
29 A mintajellemzők tulajdonságai jellemző sokaság minta konkrét minta ismérvértékek x 1, x 2,... ξ 1, ξ 2,..., ξ n x 1, x 2,..., x n átlag µ ˆµ x A mintaátlag tulajdonságai: várható értéke: M(ˆµ) = µ. szórása: D(ˆµ) = σˆµ = σ n (nagyobb minta, kisebb szórás!) szórása (ha nem függetlenek pl egyszerű mintavételnél): D(ˆµ) = σˆµ = σ n 1 n N (ez a korrekciós tényező) eloszlása: Normális eloszlású sokaság esetén normális. Nagy minta esetén közel normális. Egyébként nem tudjuk.
30 A mintajellemzők tulajdonságai jellemző sokaság minta konkrét minta ismérvértékek x 1, x 2,... ξ 1, ξ 2,..., ξ n x 1, x 2,..., x n átlag µ ˆµ x A mintaátlag tulajdonságai: várható értéke: M(ˆµ) = µ. szórása: D(ˆµ) = σˆµ = σ n (nagyobb minta, kisebb szórás!) szórása (ha nem függetlenek pl egyszerű mintavételnél): D(ˆµ) = σˆµ = σ n 1 n N (ez a korrekciós tényező) eloszlása: Normális eloszlású sokaság esetén normális. Nagy minta esetén közel normális. Egyébként nem tudjuk.
31 Példa: A budapesti kétszobás lakások bérleti díja 1/3. Alapsokaság:
32 Példa: A budapesti kétszobás lakások bérleti díja 1/3. Alapsokaság: 30 elemű minta
33 Példa: A budapesti kétszobás lakások bérleti díja 2/3. Az alapsokaságban µ = , σ = (Ez általában ismeretlen)
34 Példa: A budapesti kétszobás lakások bérleti díja 2/3. Az alapsokaságban µ = , σ = (Ez általában ismeretlen) A mintaátlag eloszlása:
35 Példa: A budapesti kétszobás lakások bérleti díja 2/3. Az alapsokaságban µ = , σ = (Ez általában ismeretlen) A mintaátlagra x = , σ x = σ 100 = A mintaátlag eloszlása:
36 6.4. gyakorló feladat Feltételezzük, hogy egy sokaság 10 elemből áll. Egy tetszőleges mennyiségi ismérv értékei a sokasági egységeknél: Sokasági ismérv egység értéke a) Határozzuk meg a A 1 4 sokaság átlagát és szórását! A 2 8 b) Határozzuk meg a A 3 10 kételemű minták átlagát! A 4 10 c) Rendezzük osztályközös A 5 12 gyakorisági sorba, A 6 12 készítsünk gyakorisági A 7 16 poligont A 8 18 d) Vizsgáljuk meg az átlag A 9 20 körüli szóródásukat! A 1 30
37 6.4. gyakorló feladat a) Határozzuk meg a sokaság átlagát és szórását! X = i=1 N(X i X) 2 = 14 σ = = = = N (4 14) (30 14) = 48, 8 = 6, 985 =
38 6.4. gyakorló feladat b) Határozzuk meg a kételemű minták átlagát! Az ismétlés nélküli kételemű minták a következők: (4, 8), (4, 10), (4, 10), (4, 12), (4, 12), (4, 16),... (20, 30). Az átlagok a következők: 6, 7, 7, 8, 8, 10, 11, 12, 17, 9, 9, 10, 10, 12, 13, 14, 19, 10, 11, 11, 13, 14, 15, 20, 11, 11, 13, 14, 15, 20, 12, 14, 15, 16, 21, 14, 15, 16, 21, 17, 18, 23, 19, 24, 25.
39 6.4. gyakorló feladat b) Határozzuk meg a kételemű minták átlagát! Az ismétlés nélküli kételemű minták a következők: (4, 8), (4, 10), (4, 10), (4, 12), (4, 12), (4, 16),... (20, 30). Az átlagok a következők: 6, 7, 7, 8, 8, 10, 11, 12, 17, 9, 9, 10, 10, 12, 13, 14, 19, 10, 11, 11, 13, 14, 15, 20, 11, 11, 13, 14, 15, 20, 12, 14, 15, 16, 21, 14, 15, 16, 21, 17, 18, 23, 19, 24, 25.
40 6.4. gyakorló feladat c) Rendezzük osztályközös gyakorisági sorba, készítsünk gyakorisági poligont 45 pár, 2 5 < 45 < 2 6, tehát 6 csoport 6 és 25 között: Kategória f i összesen 45
41 6.4. gyakorló feladat d) Vizsgáljuk meg az átlag körüli szóródásukat! σˆµ = = = σ = nσˆµ i=1 m(ˆµ i µ) 2 = m (6 14) (19 14) = 21, 7 = 4, 66 =
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,
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
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
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
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
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
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
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
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
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
RészletesebbenMintavétel. Kovács István BME Menedzsment és Vállalatgazdaságtan. Tanszék
Mintavétel Kovács István BME Menedzsment és Vállalatgazdaságtan Tanszék Alapfogalmaink Sokaság azon elemek összessége, amelyek valamilyen közös jellemzővel bírnak, és megfelelnek a marketingkutatási probléma
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
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
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenKészítette: 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
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
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
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
RészletesebbenBiometria az orvosi gyakorlatban. Számítógépes döntéstámogatás
SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenFEGYVERNEKI 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:
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenÁltalános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László
Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Publication
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
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
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
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
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,
RészletesebbenOsztályozóvizsga követelményei
Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 12 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Emelt
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,
RészletesebbenStatisztikai becslés
Kabos: Statisztika II. Becslés 1.1 Statisztikai becslés Freedman, D. - Pisani, R. - Purves, R.: Statisztika. Typotex, 2005. Reimann J. - Tóth J.: Valószínűségszámítás és matematikai statisztika. Tankönyvkiadó,
RészletesebbenSTATISZTIKA I. Mintavétel fogalmai. Mintavételi hiba. Statisztikai adatgyűjtés Nem véletlenen alapuló kiválasztás
Mintavétel fogalmai STATISZTIKA I.. Előadás Mintavétel, mintavételi technikák, adatbázis A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x n, mindig
RészletesebbenBevezető Mi a statisztika? Mérés Csoportosítás
Gazdaságstatisztika 1. előadás Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.bmf.hu) Fogadóóra: szerda 11:30 11:55, TA125 Gyakorlatvezető
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
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
Részletesebben36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0,9375 32 = 0,8125 32 = 0,40625. Mo.: 32 = 0,25
Valószínűségszámítás I. Kombinatorikus valószínűségszámítás. BKSS 4... Egy szabályos dobókockát feldobva mennyi annak a valószínűsége, hogy a -ost dobunk; 0. b legalább 5-öt dobunk; 0, c nem az -est dobjuk;
RészletesebbenMatematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József
Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Matematika III. 4. : A valószínűségi változó és jellemzői Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul
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
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
RészletesebbenVALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok
VALÓSZÍNŰSÉGSZÁMÍTÁS MSc Órai Feladatok 1. Feladat (Diszkrét eloszlás) Ketten kosárlabdáznak. Az A játékos 0,4 a B játékos 0,3 valószínűséggel dob kosarat. A dobást A kezdi és felváltva dobnak egymás után.
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenNyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematika III. 4. MA3-4 modul A valószínűségi változó és jellemzői SZÉKESFEHÉRVÁR 2010 Jelen szellemi terméket a szerzői jogról
Részletesebben[GVMGS11MNC] Gazdaságstatisztika
[GVMGS11MNC] Gazdaságstatisztika 1. előadás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.uni-obuda.hu)
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenSTATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
RészletesebbenMintavételi eljárások
Mintavételi eljárások Daróczi Gergely, PPKE BTK 2008. X.6. Óravázlat A mintavétel célja Alapfogalmak Alapsokaság, mintavételi keret, megfigyelési egység, mintavételi egység... Nem valószínűségi mintavételezési
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
RészletesebbenStatisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában
Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,
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
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenMatematika III. Nagy Károly 2011
Matematika III előadások összefoglalója (Levelezős hallgatók számára) Nagy Károly 20 . Kombinatorika.. Definíció. Adott n darab egymástól különböző elem. Ezeknek egy meghatározott sorrendjét az n elem
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
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenValószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS
Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS 1. Kihasználva a hosszasan elhúzódó jó időt, kirándulást szeretnénk tenni az ország tíz legmagasabb csúcsa közül háromra az elkövetkezendő
RészletesebbenA társadalomkutatás módszerei I. Outline. 1. Zh Egyéni eredmények. Notes. Notes. Notes. 9. hét. Daróczi Gergely november 10.
A társadalomkutatás módszerei I. 9. hét Daróczi Gergely Budapesti Corvinus Egyetem 2011. november 10. Outline 1 1. Zh eredmények 2 Újra a hibatényezőkről 3 A mintavételi keret 4 Valószínűségi mintavételi
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)
RészletesebbenA statisztika alapfogalmai Kovács, Előd, Pannon Egyetem
A statisztika alapfogalmai Kovács, Előd, Pannon Egyetem A statisztika alapfogalmai írta Kovács, Előd Publication date 2012 Szerzői jog 2012 Pannon Egyetem A digitális tananyag a Pannon Egyetemen a TÁMOP-4.1.2/A/2-10/1-2010-0012
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
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
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenMINTAVÉTELEZÉS. 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
RészletesebbenGRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens
GRADUÁLIS BIOSTATISZTIKAI KURZUS 2012. február hó 22. Dr. Dinya Elek egyetemi docens Biometria fogalma The active pursuit of biological knowledge by quantitative methods Sir R. A. Fisher, 1948 BIOMETRIA
RészletesebbenMatematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József
Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Matematika III. 5. : Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP
Részletesebben1. Kombinatorikai bevezetés
1. Kombinatorikai bevezetés 1.1. Permutációk Adott n különböző elem ismétlés nélküli permutációján az elemek egy meghatározott sorrendjét értjük. Az n különböző elem összes permutációinak számát P n -nel
RészletesebbenJármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008
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
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenMintavétel: terv és eljárások
Mintavétel: terv és eljárások Kovács István BME Menedzsment és Vállalatgazdaságtan Tanszék Az előadás felépítése Mi is az a mintavétel A mintavétel folyamata Mintavételi technikák A minta nagyságának meghatározása
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
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
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:
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
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
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
RészletesebbenGVMST22GNC Statisztika II.
GVMST22GNC Statisztika II. 4. előadás: 9. Kétváltozós korreláció- és regressziószámítás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Korrelációszámítás
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,
RészletesebbenMintavétel: terv és eljárások
Mintavétel: terv és eljárások Kovács István BME Menedzsment és Vállalatgazdaságtan Tanszék Az előadás felépítése Mi is az a mintavétel A mintavétel folyamata Mintavételi technikák A minta nagyságának meghatározása
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
Részletesebbens.s. Bere Anikó Zsuzsanna
s.s. Bere Anikó Zsuzsanna Statisztikai módszerek a fizikában statisztika: adatokon alapuló kísérlettervezési, gyűjtési, rendezési, összesítési, ábrázolási, analizálási, értelmezési és következtetési módszerek
RészletesebbenKUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel
KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,
RészletesebbenA társadalomkutatás módszerei I.
A társadalomkutatás módszerei I. 9. hét Daróczi Gergely Budapesti Corvinus Egyetem 2011. november 10. Outline 1 1. Zh eredmények 2 Újra a hibatényezőkről 3 A mintavételi keret 4 Valószínűségi mintavételi
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
Részletesebben