Filogenetikai analízis. Törzsfák szerkesztése

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Filogenetikai analízis. Törzsfák szerkesztése"

Átírás

1 Filogenetikai analízis Törzsfák szerkesztése

2 Neighbor joining (szomszéd összevonó) módszer A fában egymás mellé kerülı objektumok kiválasztása a távolságmátrix értékei és az objektumoknak az összes többivel alkotott távolságai alapján. A módosított távolság annál kisebb lesz az eredetinél minél nagyobb a két objektum átlagos távolsága a többitıl, hiszen a nagy átlag (= nagy evolúciós sebesség ) megnöveli a kettejük relatív közelségét. A fa teljes felépítése során a távolságmátrix fokozatosan redukálódik. Az eljárás megfelel a minimális evolúció módszerének, végeredményben a fa éleinek összhosszúságát optimalizáljuk.

3 Távolság mátrix spenót rizs szúnyog majom ember spenót rizs szúnyog majom ember

4 Az elsı lépés 3.3 (embermajom) a legkisebb távolság. Így összekapcsoljuk az embert és a majmot embmajként, és új távolságot számítunk. embmaj szúnyog spenót rizs ember majom

5 Új távolság számítása Miután összekapcsoltunk két fajt egy alfába, ki kell számolnunk minden egyes pontnak és az új subtree nek a távolságát. Ezt egy egyszerő átlag számítással kapjuk meg: Dist[spenót,embmaj] =(Dist[spenót, majom] Dist[spenót,ember])/2 =( )/2= embmaj spenót ember majom

6 Következı ciklus spenót rizs szúnyog embmaj spenót rizs szúnyog embmaj szúny(embmaj) embmaj rizs spenót szúnyog ember majom

7 Utolsó elıtti ciklus spenót rizs szúnyembmaj spenót rizs szúnyembmaj szúny(embmaj) spenrizs embmaj rizs spenót szúnyog ember majom

8 Utolsó ciklus spenrizs szúnyembmaj spenrizs szúnyembmaj (spenrisz)(szúny(embmaj)) szúny(embmaj) spenrizs embmaj rizs spenót szúnyog ember majom

9 Parszimónia elv Egy jelenség magyarázatában az egyszerőbb hipotéziseket kell elfogadnunk a komplikáltabbakkal szemben. Minimális evolúciós utak elve (távolság alapú kladisztika, karakter alapon mőködı módszerek) Parsimony takarékossági elv

10 A B D E F karakterek E B A D F 4 7, ,9 6 2 Leszármaztatott állapotok száma Apomorfiák összesített száma az egyes taxonokra OTU

11 Parszimónia a gyakorlatban Frog Bird amnion hair HARATERS lactation placenta antorbital fenestra wings Frog Tree Bird 6 ocodile 5 Kangeroo Bat Human T A X A rocodile Kangeroo Frog ocodile Kangeroo Bat Bird Human Bat Human TREE LENGTH FIT Tree Tree Tree A két fa közül kisebb hosszúságú a Tree, így a parszimónia elv szerint ez lesz a megfelelı. Mindkét fa igényel néhány homopláziát (extra lépés).

12 Parszimónia módszerek Általánosságban a parszimónia módszerek az evolúciós fa ágainak összhosszúságát minimalizálják. Olyan fát keresünk, amely a lehetı legkisebb számú karakterállapot változást (evolúciós lépést) teszi szükségessé a leszármazási viszonyok magyarázásához. A feladat: az adott topológiához legmegfelelıbb (legkisebb hosszúságot eredményezı) állapotokat kell rendelni a belsı szögpontokhoz a fa topológiájának optimalizálása

13 Bootstrap Modern számitógégintenzív újramintavételezési módszer, amelyben kiindulásként feltételezzük, hogy a mintában lévı m egységre kapható gyakoriságeloszlás a lehetı legjobban képviseli az eredeti populációban levı gyakoriságot.

14 A mintákból melemő visszatevéses mintavételezést sokszor végrehajtva kapjuk a bootstrap mintákat. Minden egyes bootstrap mintát használhatunk valamilyen paraméter becslésére (parszimónia, ML, megismételt többváltozós analízis). Bootstrap konszenzus fát eredményez a változók bootstrap újramintavételezésével elıállított alternatív fák egyesítése. %ban fejezi ki, hogy hányszor helyezi a fában azonos helyre a mintákat. Kiküszöböli a változók kiválasztásában jelentkezı szubjektív elemeket, s alkalmas a leginkább stabil osztályok kimutatásásra.

15 Bootstrap egy példa SSUrDNA Ochromonas () Symbiodinium (2) Prorocentrum (3) Euplotes (8) 84 Tetrahymena (9) 96 Loxodes (4) Tracheloraphis (5) Spirostomum (6) Gruberia (7) Bootstrap konszenzus fa Freq.** ** **......****......****** ** ****.*.83...***** *******. 2.5.**...*...**...*.

16 Karakterállapotok közötti lehetséges átmenetek A G Rendezetlen: egy tulajdonság állapotai az evolúció során bármelyik másikba át ill. visszaalakulhatnak. T rendezetlen A B D rendezett és reverzibilis A B D irreverzibilis Rendezett és reverzibilis: A karakterek állapotai sorba rendezettek, az átalakulás mindkét irányban végbemehet. A állapotból csak a szomszédos állapotba juthatunk el közvetlenül. Irreverzibilis: A rendezett karakter állapotai csak egy irányban alakulhatnak át egymásba.

17 transzverzió Py Pu A stepmatrix meghatározza a különbözı karakterek közötti változás súlyát. PURINES (Pu) A T G PYRIMIDINES (Py) A G T A G 5 5 T 5 5 tranzíció Py Py Pu Pu

18 DNS szubsztitúciós modellek

19 J/ Jukes & antor A G T FEL/ Felsenstein A G T K2P/ Kimura 2 paraméter A G T A G T A G T A G T

20 HKY/ Hasegawa, Kishino, Yano A G T A G T

21 Maximum likelihood módszer Konkrét evolúciós modell alkalmazását igényli. Meg kell adni, hogy miképp alakulhat át az egyik szekvencia a másikba (morfológiai karakterekre ilyen célra alkalmazható modellrıl még nem tudunk). A modell ismeretében megadja, hogy a sok lehetıség közül melyik fa kialakulása a leginkább valószínő. A számítások során a teljes szekvenciát figyelembe kell venni, nemcsak az eltéréseket okozó pozíciókat (ahogy a parszimónia esetében tesszük). Legegyszerőbb modell a J. K2P modell már bevezeti k tranzíció/tranzverzió hányadost.

22 Maximum likelihood módszer Kból és a gyakoriságból meghatározhatók a nukleotidcserék evolúciós idıegységre vonatkoztatott rátái. A mutációs ráták segítségével kiszámítható annak az eseménynek a valószínősége, hogy t idı elteltével A bázis helyére G bázis kerül. P AG (t) Annak az esélye (L=likelihood!), hogy adott szekvencia valamely pozíciójában az A nukleotid van, és ezt t idı elteltével G váltja fel: L AG (t)=ƒ A P AG (t) ƒ A az A nukleotid relatív gyakorisága a kezdeti szekvenciában

Az evolúció az adatok mögött

Az evolúció az adatok mögött Filogenetika Az evolúció az adatok mögött Ortutay Csaba, PhD 2013 április 9 Miről lesz ma szó? Nukleotid szubsztitúciós modellek Távolság alapú módszerek UPGMA Neighbor joining Modell alapú filogenetika

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

Adatok statisztikai értékelésének főbb lehetőségei Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció

Részletesebben

Problémák és megoldások a bioinformatikában. Válogatott fejezetek a bioinformatikából. Gyimesi Gergely, 2008. február 25.

Problémák és megoldások a bioinformatikában. Válogatott fejezetek a bioinformatikából. Gyimesi Gergely, 2008. február 25. Problémák és megoldások a bioinformatikában Válogatott fejezetek a bioinformatikából Gyimesi Gergely, 2008. február 25. Mik a fontos, megoldatlan biológiai problémák? Milyen módszereket, megoldási lehetıségeket

Részletesebben

openbve járműkészítés Leírás az openbve-hez kapcsolódó extensions.cfg fájl elkészítéséhez

openbve járműkészítés Leírás az openbve-hez kapcsolódó extensions.cfg fájl elkészítéséhez Leírás az openbve-hez kapcsolódó extensions.cfg fájl elkészítéséhez 1. oldal openbve járműkészítés Leírás az openbve-hez kapcsolódó extensions.cfg fájl elkészítéséhez A leírás az openbve-hez készített

Részletesebben

Willi Hennig ( )

Willi Hennig ( ) Objektív módszerek kladisztika Willi Hennig (1913-1976) Grundzüge einer Theorie der Phylogenetischen Systematik (Hennig, 1950). Phylogenetic Systematics (Hennig, 1966) Alapelvei: 1. A fajok közötti kapcsolatok

Részletesebben

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

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

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

Részletesebben

MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI

MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI Doktori értekezés tézisei MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI MÓDSZER, A BOOLE ANALÍZIS SEGÍTSÉGÉVEL Ari Eszter Dr. Jakó Éena, tudományos főmunkatárs témavezető Dr. Szathmáry Eörs,

Részletesebben

MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI

MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI Doktori értekezés MOLEKULÁRIS FILOGENETIKAI ELEMZÉSEK EGY DISZKRÉT MATEMATIKAI MÓDSZER, A BOOLE ANALÍZIS SEGÍTSÉGÉVEL Ari Eszter Dr. Jakó Éena, tudományos főmunkatárs témavezető Dr. Szathmáry Eörs, egyetemi

Részletesebben

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

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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

Részletesebben

A jelen megértése a múlt ismerete nélkül lehetetlen

A jelen megértése a múlt ismerete nélkül lehetetlen 4 A jelen megértése a múlt ismerete nélkül lehetetlen Megismerhető-e a múlt? Diakrón fa - megismerhetetlen Madarak Emlősök Akrón fa fokozatokra, nagy léptékben Aszinkrón fa ős-leszármazott viszonyok összemosódnak

Részletesebben

Kladisztika. (A veszekedõsek tudománya)

Kladisztika. (A veszekedõsek tudománya) 6 Kladisztika (A veszekedõsek tudománya) Az elõzõ két fejezettel korántsem zárhatjuk le a biológiai osztályozás tematikáját. Az eddig ismertetett módszerek a biológia objektumain kívül akár cserépedények,

Részletesebben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz

Részletesebben

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

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

Gyakorlati bioinformatika

Gyakorlati bioinformatika Gyakorlati bioinformatika Szekvenciaillesztés PhD kurzus 2. Szekvenciaillesztés Bagossi Péter Fajtái: - egyszer ill. többszörös illesztés - globális ill. lokális illesztés Alkalmazása: - adatbázisokban

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése

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

Részletesebben

Radioaktív bomlási sor szimulációja

Radioaktív bomlási sor szimulációja Radioaktív bomlási sor szimulációja A radioaktív bomlásra képes atomok nem öregszenek, azaz nem lehet sem azt megmondani, hogy egy kiszemelt atom mennyi idıs (azaz mikor keletkezett), sem azt, hogy pontosan

Részletesebben

Elemi statisztika fizikusoknak

Elemi 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

Részletesebben

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Az értékelés során következtetést fogalmazhatunk meg a

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

Részletesebben

Gépi tanulás. Féligellenőrzött tanulás. Pataki Béla (Bolgár Bence)

Gépi tanulás. Féligellenőrzött tanulás. Pataki Béla (Bolgár Bence) Gépi tanulás Féligellenőrzött tanulás Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Féligellenőrzött tanulás Mindig kevés az adat, de

Részletesebben

Magassági kitőzések elve és végrehajtása

Magassági kitőzések elve és végrehajtása 4-6. gyakorlat: Magassági kitőzések elve és végrehajtása Magassági kitőzések elve és végrehajtása Magassági kitőzéskor ismert ú alappontból kiindulva, valamely megadott szintet a követelményeknek megfelelıen

Részletesebben

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás.

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás. Centrális mutatók STATISZTIKA I. 4. Előadás Centrális mutatók 1/51 2/51 Középértékek Helyzeti középértékek A meghatározása gyakoriság vagy sorszám alapján Számítás nélkül Az elemek nagyság szerint rendezett

Részletesebben

Modern Fizika Labor Fizika BSC

Modern Fizika Labor Fizika BSC Modern Fizika Labor Fizika BSC A mérés dátuma: 2009. április 20. A mérés száma és címe: 20. Folyadékáramlások 2D-ban Értékelés: A beadás dátuma: 2009. április 28. A mérést végezte: Márton Krisztina Zsigmond

Részletesebben

STATISZTIKA I. A változók mérési szintjei. Nominális változók. Alacsony és magas mérési szint. Nominális változó ábrázolása

STATISZTIKA I. A változók mérési szintjei. Nominális változók. Alacsony és magas mérési szint. Nominális változó ábrázolása A változók mérési szintjei STATISZTIKA I. 3. Előadás Az adatok mérési szintjei, Viszonyszámok A változók az alábbi típusba tartozhatnak: Nominális (kategorikus és diszkrét) Ordinális Intervallum skála

Részletesebben

MIKROFYN GÉPVEZÉRLÉSEK. 2D megoldások:

MIKROFYN GÉPVEZÉRLÉSEK. 2D megoldások: MIKROFYN GÉPVEZÉRLÉSEK Néhány szó a gyártóról: Az 1987-es kezdés óta a Mikrofyn A/S a világ öt legnagyobb precíziós lézer és gépvezérlés gyártója közé lépett. A profitot visszaforgatta az új termékek fejlesztésébe

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Számítógépes döntéstámogatás. Genetikus algoritmusok

Számítógépes döntéstámogatás. Genetikus algoritmusok BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as

Részletesebben

Felvételi tematika INFORMATIKA

Felvételi tematika INFORMATIKA Felvételi tematika INFORMATIKA 2016 FEJEZETEK 1. Természetes számok feldolgozása számjegyenként. 2. Számsorozatok feldolgozása elemenként. Egydimenziós tömbök. 3. Mátrixok feldolgozása elemenként/soronként/oszloponként.

Részletesebben

ESR-spektrumok különbözı kísérleti körülmények között A számítógépes értékelés alapjai anizotróp kölcsönhatási tenzorok esetén

ESR-spektrumok különbözı kísérleti körülmények között A számítógépes értékelés alapjai anizotróp kölcsönhatási tenzorok esetén ESR-spektrumok különbözı kísérleti körülmények között A számítógépes értékelés alapjai anizotróp kölcsönhatási tenzorok esetén A paraméterek anizotrópiája egykristályok rögzített tengely körüli forgatásakor

Részletesebben

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

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

Részletesebben

Paleobiológiai módszerek és modellek 11. hét

Paleobiológiai módszerek és modellek 11. hét Paleobiológiai módszerek és modellek 11. hét A diverzitás fajtái és mérőszámai Nagy őslénytani adatbázisok: Sepkoski The Fossil Record Paleobiology Database A diverzitás fogalma Diverzitás sokféleség az

Részletesebben

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés

Részletesebben

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

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai statisztika c. tárgy oktatásának célja és tematikája Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:

Részletesebben

A társadalomtudományi kutatás teljes íve és alapstratégiái. áttekintés

A társadalomtudományi kutatás teljes íve és alapstratégiái. áttekintés A társadalomtudományi kutatás teljes íve és alapstratégiái áttekintés A folyamat alapvetı felépítését tekintve kétféle sémát írhatunk le: az egyik a kvantitatív kutatás sémája a másik a kvalitatív kutatás

Részletesebben

Alapfogalmak áttekintése. Pszichológiai statisztika, 1. alkalom

Alapfogalmak áttekintése. Pszichológiai statisztika, 1. alkalom Alapfogalmak áttekintése Pszichológiai statisztika, 1. alkalom Hipotézisek Milyen a jó null hipotézis?? H0: Léteznek kitőnı tanuló diszlexiások.? H1: Nem léteznek. Sokkal inkább: H0: Nincs diszlexiás kitőnı

Részletesebben

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

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

Részletesebben

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Hipotézis, 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

Látványos oktatás egyszerő multimédiás elemek programozásával Delphiben

Látványos oktatás egyszerő multimédiás elemek programozásával Delphiben Látványos oktatás egyszerő multimédiás elemek programozásával Delphiben Menyhárt László Gábor menyhart@elte.hu ELTE IK Absztrakt. A cikkben bemutatok egy ötletes megoldást arra, hogy hogyan lehet egyszerően

Részletesebben

Least Squares becslés

Least Squares becslés Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás

Részletesebben

Páros összehasonlítás mátrixok empirikus vizsgálata. Bozóki Sándor

Páros összehasonlítás mátrixok empirikus vizsgálata. Bozóki Sándor Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor MTA SZTAKI Operációkutatás és Döntési Rendszerek Kutatócsoport Budapesti Corvinus Egyetem Operációkutatás és Aktuáriustudományok Tanszék

Részletesebben

Radon-koncentráció relatív meghatározása Készítette: Papp Ildikó

Radon-koncentráció relatív meghatározása Készítette: Papp Ildikó Radon-koncentráció relatív meghatározása Készítette: Papp Ildikó Elméleti bevezetés PANNONPALATINUS regisztrációs code PR/B10PI0221T0010NF101 A radon a 238 U bomlási sorának tagja, a periódusos rendszer

Részletesebben

Az Európai Parlament és a Tanács 2004/49/EK irányelve (2004. április 29.) a közösségi vasutak biztonságáról, valamint a vasúttársaságok

Az Európai Parlament és a Tanács 2004/49/EK irányelve (2004. április 29.) a közösségi vasutak biztonságáról, valamint a vasúttársaságok Az Európai Parlament és a Tanács 2004/49/EK irányelve (2004. április 29.) a közösségi vasutak biztonságáról, valamint a vasúttársaságok engedélyezésérıl szóló 95/18/EK tanácsi irányelv és a vasúti infrastruktúrakapacitás

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 2 Orvosi biometria Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

Biometria, 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 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

4. A méréses ellenırzı kártyák szerkesztése

4. A méréses ellenırzı kártyák szerkesztése 4. A méréses ellenırzı kártyák szerkesztése A kártyákat háromféle módon alkalmazhatjuk. Az elızetes adatfelvétel során a fı feladat az eloszlás paramétereinek (µ és σ ) becslése a további ellenırzésekhez.

Részletesebben

SPC egyszerően, olcsón, eredményesen

SPC egyszerően, olcsón, eredményesen SPC egyszerően, olcsón, eredményesen Rába Tivadar Six Sigma Black Belt BorgWarner Turbo System April 7, 2007 1 Mi az SPC? Miért pont SPC? Tán Show Program for Costumer? Szakértık Statisztikai folyamat

Részletesebben

A populáció meghatározása

A populáció meghatározása A mintavétel Mi a minta? Minden kutatásban alapvetı lépés annak eldöntése, hogy hány személyt vonjunk be a vizsgálatba, és hogyan válasszuk ki ıket ezek a mintavétellel kapcsolatos alapvetı problémák.

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

Jegyzıkönyv. Mutató: Határozat tárgya: Határozat száma: Old.

Jegyzıkönyv. Mutató: Határozat tárgya: Határozat száma: Old. Jegyzıkönyv Készült: Besenyszög Községi Önkormányzat Képviselı-testületének 2011. április 14.-én megtartott ülésérıl Mutató: Határozat tárgya: Határozat száma: Old. Elıterjesztés Besenyszög Községi Önkormányzat

Részletesebben

Adat mentés. A program segítség file-ok, mappák mentésében. Mentési csomagokat állíthatunk össze.

Adat mentés. A program segítség file-ok, mappák mentésében. Mentési csomagokat állíthatunk össze. Adat mentés A program segítség file-ok, mappák mentésében. Mentési csomagokat állíthatunk össze. A program telepítése: A program nem igényel telepítést. Másoljuk a számítógépünkre tetszıleges helyre. Készítsünk

Részletesebben

Radon a környezetünkben. Somlai János Pannon Egyetem Radiokémiai és Radioökológiai Intézet H-8201 Veszprém, Pf. 158.

Radon a környezetünkben. Somlai János Pannon Egyetem Radiokémiai és Radioökológiai Intézet H-8201 Veszprém, Pf. 158. Radon a környezetünkben Somlai János Pannon Egyetem Radiokémiai és Radioökológiai Intézet H-8201 Veszprém, Pf. 158. Természetes eredetőnek, a természetben eredetileg elıforduló formában lévı sugárzástól

Részletesebben

Normális eloszlás tesztje

Normális eloszlás tesztje Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra

Részletesebben

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy

Részletesebben

6. A szervezet. Az egyik legfontosabb vezetıi feladat. A szervezetek kialakítása, irányítása, mőködésük ellenırzése, hatékonyságuk növelése,

6. A szervezet. Az egyik legfontosabb vezetıi feladat. A szervezetek kialakítása, irányítása, mőködésük ellenırzése, hatékonyságuk növelése, 6. A szervezet Az egyik legfontosabb vezetıi feladat A szervezetek kialakítása, irányítása, mőködésük ellenırzése, hatékonyságuk növelése, 1 Formális és informális szervezetek A formális szervezet formákban

Részletesebben

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy

Részletesebben

Kérdıívek, tesztek I. Kérdıívek

Kérdıívek, tesztek I. Kérdıívek Kérdıívek, tesztek I. Kérdıívek Kérdıíves vizsgálat céljára alkalmas témák A kérdıíves vizsgálatok alkalmasak leíró, magyarázó és felderítı célokra. Leginkább olyan kutatásban használják, amelyekben az

Részletesebben

Másodfokú egyenletek Gyakorló feladatok. Készítette: Porkoláb Tamás. Milyen p valós paraméter esetén lesz az alábbi másodfokú egyenlet egyik gyöke 5?

Másodfokú egyenletek Gyakorló feladatok. Készítette: Porkoláb Tamás. Milyen p valós paraméter esetén lesz az alábbi másodfokú egyenlet egyik gyöke 5? Másodfokú egyenletek Gyakorló feladatok Készítette: Porkoláb Tamás Gyökök Milyen p valós paraméter esetén lesz az alábbi másodfokú egyenlet egyik gyöke? 3 ( p ) = Milyen p paraméter esetén lesz a következı

Részletesebben

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Matematikai 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

Részletesebben

CAD-CAM-CAE Példatár

CAD-CAM-CAE Példatár CAD-CAM-CAE Példatár A példa megnevezése: A példa száma: A példa szintje: CAx rendszer: Kapcsolódó TÁMOP tananyag: A feladat rövid leírása: Mőanyag alkatrész fröccsöntésének szimulációja ÓE-B09 alap közepes

Részletesebben

BBTE Matek-Infó verseny mintatételsor Informatika írásbeli vizsga

BBTE Matek-Infó verseny mintatételsor Informatika írásbeli vizsga BABEȘ BOLYAI TUDOMÁNYEGYETEM MATEMATIKA ÉS INFORMATIKA KAR A. tételsor (30 pont) 1. (5p) Tekintsük a következő alprogramot: Alprogram f(a): Ha a!= 0, akkor visszatérít: a + f(a - 1) különben visszatérít

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs

Részletesebben

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága @ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett

Részletesebben

FOLYAMATLEÍRÁST SEGÍTİ GYAKORLATI ÚTMUTATÓ

FOLYAMATLEÍRÁST SEGÍTİ GYAKORLATI ÚTMUTATÓ FOLYAMATLEÍRÁST SEGÍTİ GYAKORLATI ÚTMUTATÓ 1/ 50 A dokumentum az Új Magyarország Fejlesztési Terv keretében, az Államreform Operatív Program támogatásával, az Elektronikus közigazgatási keretrendszer tárgyú

Részletesebben

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

Egyszempontos variancia analízis. Statisztika I., 5. alkalom Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek

Részletesebben

Sämling Kft. LEAN menedzsment. A veszteségek folyamatos és szisztematikus kiküszöbölése Több mint eszköztár. 18 év 5 fı terület:

Sämling Kft. LEAN menedzsment. A veszteségek folyamatos és szisztematikus kiküszöbölése Több mint eszköztár. 18 év 5 fı terület: Sämling Kft. 18 év 5 fı terület: 1.Oktatásszervezés (>100 képzés), 2.Projektmenedzsment, 3.Soft-skills, 4.LEAN és SixSigma 5.Szervezetfejlesztés LEAN menedzsment A veszteségek folyamatos és szisztematikus

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

Bevezetés a hipotézisvizsgálatokba

Bevezetés 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

Mesterséges Intelligencia I.

Mesterséges Intelligencia I. Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a

Részletesebben

Szépmővészeti Múzeum térszint alatti bıvítése: A projekt idıt befolyásoló kockázatok értékelése. Készítette: Kassai Eszter Rónafalvi György

Szépmővészeti Múzeum térszint alatti bıvítése: A projekt idıt befolyásoló kockázatok értékelése. Készítette: Kassai Eszter Rónafalvi György Szépmővészeti Múzeum térszint alatti bıvítése: A projekt idıt befolyásoló kockázatok értékelése Készítette: Kassai Eszter Rónafalvi György Tartalom A kockázatról általában A kockázatelemzés folyamata Az

Részletesebben

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

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Mérési adatok illesztése, korreláció, regresszió

Mérési adatok illesztése, korreláció, regresszió Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,

Részletesebben

Ismétlı áttekintés. Statisztika II., 1. alkalom

Ismétlı 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.

Részletesebben

A leíró statisztikák

A leíró statisztikák A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az

Részletesebben

Kiegészítő előadás. Vizsgabemutató VBA. Dr. Kallós Gábor, Fehérvári Arnold, Pusztai Pál Krankovits Melinda. Széchenyi István Egyetem

Kiegészítő előadás. Vizsgabemutató VBA. Dr. Kallós Gábor, Fehérvári Arnold, Pusztai Pál Krankovits Melinda. Széchenyi István Egyetem Kiegészítő előadás Vizsgabemutató VBA Dr. Kallós Gábor, Fehérvári Arnold, Pusztai Pál Krankovits Melinda 2016 2017 1 VBA A Szamokat_General szubrutin segítségével generáljunk 1000 db egész számot a [0,

Részletesebben

Az MSZ EN 62305 villámvédelmi szabványsorozat. 2. rész: Kockázatelemzés (IEC 62305-2:2006)

Az MSZ EN 62305 villámvédelmi szabványsorozat. 2. rész: Kockázatelemzés (IEC 62305-2:2006) Az MSZ EN 62305 villámvédelmi szabványsorozat 2. rész: Kockázatelemzés (IEC 62305-2:2006) MSZ EN 62305-2 1. Alkalmazási terület 2. Rendelkezı hivatkozások 3. Szakkifejezések, fogalom-meghatározások, jelölések

Részletesebben

Közösség detektálás gráfokban

Közösség detektálás gráfokban Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a

Részletesebben

Arató Miklós. A nem-életbiztosítók belsı modellezésének lehetséges problémái

Arató Miklós. A nem-életbiztosítók belsı modellezésének lehetséges problémái Arató Miklós A nem-életbiztosítók belsı modellezésének lehetséges problémái Célok Szolvencia 2 Piaci alapú eredménykimutatás és mérleg (MVIS és MVBS) Nem-élet termékek valós értékének meghatározása (MCEV

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses

Részletesebben

Bánsághi Anna 2014 Bánsághi Anna 1 of 68

Bánsághi Anna 2014 Bánsághi Anna 1 of 68 IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív

Részletesebben

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

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai

Részletesebben

A Munkaügyi Közvetítıi és Döntıbírói Szolgálat Szervezeti, Mőködési és Eljárási Szabályzata

A Munkaügyi Közvetítıi és Döntıbírói Szolgálat Szervezeti, Mőködési és Eljárási Szabályzata A Munkaügyi Közvetítıi és Döntıbírói Szolgálat Szervezeti, Mőködési és Eljárási Szabályzata (az Országos Érdekegyeztetı Tanács 2008. július 04. jóváhagyta) 1. / A szervezet megnevezése: Munkaügyi Közvetítıi

Részletesebben

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis 1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb

Részletesebben

Más szektorok (múltik, hazai nagyvállalatok és KKV-ék) HR trendjei és a közszolgálati emberi erıforrás menedzsment 2010

Más szektorok (múltik, hazai nagyvállalatok és KKV-ék) HR trendjei és a közszolgálati emberi erıforrás menedzsment 2010 Humán Szakemberek Országos Szövetsége Budapest, 2010. március 24. Más szektorok (múltik, hazai nagyvállalatok és KKV-ék) HR trendjei és a közszolgálati emberi erıforrás menedzsment 2010 Dr. Poór József

Részletesebben

Készletgazdálkodás. TÉMAKÖR TARTALMA - Készlet - Átlagkészlet - Készletgazdálkodási mutatók - Készletváltozások - Áruforgalmi mérlegsor

Készletgazdálkodás. TÉMAKÖR TARTALMA - Készlet - Átlagkészlet - Készletgazdálkodási mutatók - Készletváltozások - Áruforgalmi mérlegsor Készletgazdálkodás TÉMAKÖR TARTALMA - Készlet - Átlagkészlet - Készletgazdálkodási mutatók - Készletváltozások - Áruforgalmi mérlegsor KÉSZLET A készlet az üzletben lévı áruk értékének összessége. A vállalkozás

Részletesebben

Kémiai átalakulások. A kémiai reakciók körülményei. A rendszer energiaviszonyai

Kémiai átalakulások. A kémiai reakciók körülményei. A rendszer energiaviszonyai Kémiai átalakulások 9. hét A kémiai reakció: kötések felbomlása, új kötések kialakulása - az atomok vegyértékelektronszerkezetében történik változás egyirányú (irreverzibilis) vagy megfordítható (reverzibilis)

Részletesebben

A BELSİ ELLENİRZÉS KIALAKÍTÁSA ÉS MŐKÖDTETÉSE A GYİR-MOSON-SOPRON MEGYEI ÖNKORMÁNYZATNÁL

A BELSİ ELLENİRZÉS KIALAKÍTÁSA ÉS MŐKÖDTETÉSE A GYİR-MOSON-SOPRON MEGYEI ÖNKORMÁNYZATNÁL A BELSİ ELLENİRZÉS KIALAKÍTÁSA ÉS MŐKÖDTETÉSE A GYİR-MOSON-SOPRON MEGYEI ÖNKORMÁNYZATNÁL Az Áht. 120. szerint a belsı ellenırzés a belsı kontrollrendszer része, független, tárgyilagos, bizonyosságot adó

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. 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

Részletesebben

A humán mitokondriális genom: Evolúció, mutációk, polimorfizmusok, populációs vonatkozások. Egyed Balázs ELTE Genetikai Tanszék

A humán mitokondriális genom: Evolúció, mutációk, polimorfizmusok, populációs vonatkozások. Egyed Balázs ELTE Genetikai Tanszék A humán mitokondriális genom: Evolúció, mutációk, polimorfizmusok, populációs vonatkozások Egyed Balázs ELTE Genetikai Tanszék Endoszimbiotikus gén-transzfer (Timmis et al., 2004, Nat Rev Gen) Endoszimbiotikus

Részletesebben

KISTELEPÜLÉSEK ÖNFENNTARTÓ, HATÉKONY ÉS ÉRTÉKTEREMTİ KÖZFOGLALKOZTATÁSA

KISTELEPÜLÉSEK ÖNFENNTARTÓ, HATÉKONY ÉS ÉRTÉKTEREMTİ KÖZFOGLALKOZTATÁSA KISTELEPÜLÉSEK ÖNFENNTARTÓ, HATÉKONY ÉS ÉRTÉKTEREMTİ KÖZFOGLALKOZTATÁSA ADITUS Tanácsadó Zrt. 1054 Budapest, Báthori u. 3. 2011. november 21. 1/362 oldal Tartalomjegyzék 1 Elızmények...8 1.1 A kutatás

Részletesebben

A flexicurity EU-s modelljeinek gyakorlati szempontú bemutatása, és a hazai megvalósítás lehetıségei

A flexicurity EU-s modelljeinek gyakorlati szempontú bemutatása, és a hazai megvalósítás lehetıségei A flexicurity EU-s modelljeinek gyakorlati szempontú bemutatása, és a hazai megvalósítás lehetıségei Vojtek Éva, szociálpolitikus, PTE BTK Szociális Munka és Szociálpolitika Tanszék 2011. február 24. A

Részletesebben

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

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben