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

Méret: px
Mutatás kezdődik a ... oldaltól:

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

Átírás

1 A teljes alapsokaságot nem ismerhetjük meg. MINTAVÉTELEZÉS Fontossága: minden későbbi értékelés ezen alapszik. Alaptípusai: Szubjektív folyamat Objektív folyamat (non-probabilistic) (probabilistic) sampling Nincs lehetőség a véletlen hatásokat véletlen érvényesítésére viszünk bele v. mellőzzük azt. = preferenciális mintav. = véletlen mintav. A MINTAVÉTEL FŐBB KRITÉRIUMAI 1.Univerzumhalmaz sajátságai Diszkrét (D): véges sok (vagy megszámlálhatóan végtelen) egység illetve lehetőség a mintavételre. A mintavételnek természetes egységei vannak, nem kérdés a mve.(mintavételi egység) mérete és alakja, ezek adottak. Folytonos (F): A populáció egy kontinuumot alkot a térben, a természetes egységek hiányoznak, az ember kénytelen mesterséges határokat vonni. Fontos kérdés tehát a mve. alakja és mérete. Elvileg megszámlálhatatlanul végtelen sok mintavételezési lehetőség van. 2. Vizsgálat célja Becslés: egy paraméter meghatározása variancia minimalizálás Mintázatelemzés: ökológiai / cönológiai / taxonómiai mintázatok, sokféleség vizsgálata variancia maximalizálás 1

2 3. Vizsgálat szintje a. egyedi b. faji (populációs) c. társulás d. táj stb A MINTAVÉTEL FŐBB JELLEMZŐI 1. Mve. száma = a minta mérete (sample size) 2. Mve. kiválasztásának, ill. elrendezésének a módja Csak folytonos esetre: 3. Mve. nagysága 4. Mve. alakja A MVE KIVÁLASZTÁSÁNAK ÉS ELRENDEZÉSÉNEK MÓDJA Random mintavétel: ábramagyrázat ld. köv. oldal 2

3 Diszkrét: minden egyed ugyanolyan vsz-gel kerül a mintába a) a véletlenszerűen kiválasztott koordinátákhoz legközelebb eső elemet választjuk b) az egyik kiválasztott elemtől a következőt a véletlenszerűen kivál. szögben és távolságra választjuk ki c) szabályos elrendezésnél: véletlenszerűen kivál. koordinátájú elemeket választunk Folytonos: az univerzumhalmaz minden pontja ugyanolyan vsz-gel kerül a mintába d) a mve.-et véletlenszerűen kivál. koordinátájú középpont körül helyezzük el e) az előző mve. középpontjától véletlenszerűen kivál. szögben és távolságra jelöljük ki a következőt Rétegzett random mintavétel: Korábbi információ alapján az univerzumhalmazt részekre osztjuk. Minden részhalmazt külön mintavételezünk randomizálva, azután egyesítjük az adatokat. Az egyes rétegekből vett minta nagysága arányos lehet a területtel, egyedszámmal vagy lehet variancia-arányos (ahol nagyobb a V, ott több mve.) B A C Szisztematikus m.v. (ábra a köv. oldalon) a) Folyt.: véletlenszerűen kivál. az első mve. középpontját, majd attól mindig azonos távolságra jelöljük ki a köv. mve. középpontját (ld. mindig a kocka közepén) b) Diszkr.: véletlenszerűen kivál. az első mve.-t, majd mindig azonos távolságra jelöljük ki a köv. mve.-t (pl. minden harmadik) A minta nagysága függ a kezdőelem megválasztásától és az intervallumtól. 3

4 Szemiszisztematikus m.v. A területet egyenletesen felosztjuk részekre, ezeken belül random veszünk mintát. Egyesíti az egyenletesség és a randomitás szempontjait. 4

5 A MVE ALAKJA Becsléshez jobb az elnyúltabb mve., mert csökkenti a varianciát (összemos dolgokat). Mintázatelemzéshez jobb a négyzet alakú (izodiametrikus), mert az elnyúlt olyan részeket foglal egy egységbe, amelyek egyébként távol esnek egymástól. A MVE MÉRETE Becslésre jobb a több kicsi, mert kisebb a variancia. (Minél több és minél kisebb mve.) Mintázatelemzésre igazán egy mve. méret sorozat az alkalmas. A mve. változtatásával kell vizsgálni a jelenséget TÉRFOLYAMAT. Kiszámítható a variancia/átlag hányados különböző mve. méreteknél, ahol ez a legnagyobb, ott a legalkalmasabb a mintázatelemzésre. Ha a variancia/átlag hányados kb. állandó, akkor Poisson elo. áll fenn, ilyenkor a mve. mérete nem számít, hiszen nincs mintázat, az egyedek véletlenszerűen helyezkednek el. 5

6 Skálatípusok Értelmezhető műveletek: Nominális =, Ordinális =,, <, > Arányskála =,, <, >, Intervallum =,, <, >,, / Nominális skála A legegyszerűbb skálatípus a nominális skála, ahol a mérés eredményei között csak az egyenlőséget és a nem egyenlőséget tudjuk definiálni. A genotípus, a szőrszín, a prezencia/abszencia, illetve a taxonómiai besorolás mind-mind nominális skálájú adat. Két egyed genotípusáról megmondhatjuk, hogy azonosak, vagy sem, de ennél többet nem. A rendszertanban egy adott fáról eldönthető, hogy az a fenyő-e vagy sem. A nominális adatok nem számszerűsíthetőek, és így a legtöbb tárgyalt statisztika nem használható velük kapcsolatban. Nominális még: ivar, egy betegség vagy még áltánosabban valamilyen állapot megléte/hiánya. Ordinális skála Az ordinális (rendezett) adatokról nem csak egyezőségüket állapíthatjuk meg, hanem valamilyen elv szerint sorba is rendezhetjük őket. Az osztályzatok tipikus ordinális skálájú adatok. Megállapítható, hogy egy négyesnél jobb az ötös, de nem mondható, hogy a hármas és a négyes között ugyanakkora a tudáskülönbség, mint a négyes és az ötös között. Továbbá nem igaz, hogy egy négyes kétszer jobb, mint egy kettes (sem az, hogy fele annyit tud). A legtöbb ordinális skálán mért adatot elvileg arány vagy intervallum skálán is mérhetnénk, de valamilyen okból nem tesszük (például jegyek helyett a szerzett pontok jobban tükrözik a teljesítményt). Ordinális skála például a Braun-Blanquet féle borításértékek, vagy a ph skála. A ph skálánál bár tudjuk, hogy az 1 és a 2 között 10-es arány van, ez a puszta numerikus adatokból nem derül ki, ha ténylegesen hidrogénion koncentrációval számolunk, az már arányskála. Szintén ordinális pl. egy állatnál az agresszivitás foka (erős, közepes, gyenge). Ordinális adatok esetében általában a nem paraméteres statisztikákat kell alkalmaznunk. Intervallum skála Az intervallum skálánál az egyes értékek közötti különbség azonos, de mivel nincs eleve adott 0 pontjuk, így arányaiknak nincs értelme. Legismertebb intervallumskála a Celsius-fok skála. Igaz, hogy a 10 C és a 12 C közötti különbség azonos a 22 C és 24 C közötti különbséggel. Azonban nem igaz, hogy a 10 C kétszer olyan meleg, mint az 5 C. Intervallum skálák még a cirkuláris skálák, mint például egy adott napon belül az idő, vagy a hónapok egy éven belül. Vagy pl. ha különböző emlős fajoknál nézzük a téli álomba vonulás időpontját. Az október és a november között azonos időkülönbség van, mint a november és december között, azonban nincs értelme a kétszer korábban vonul téli álomba kifejezésnek. Vagy például mondjuk egyes madárfajok vonulásának irányát rögzítjük fokskálán, 0 -nak véve az északi irányt. Ebben az esetben a 30 irány a 60 -hoz képest nem fele akkora, csak az egyik inkább ÉÉK, a másik meg KÉK. Intervallumskálán mért az IQ is. 6

7 Ezekből a példákból is láthatjuk, hogy a nem pusztán a mértékegység számít, hanem az is, hogy mit mérünk. A téli állom idejét mérve hónapokban az arányskála, ugyanígy az pl. egy növény oldalágának elágazási szöge a főágtól nézve. Arányskála Az arányskálára igaz, hogy az értékek arányának jelentése van, például az 5 kg-os ponty kétszer annyi tömegű, mint egy 2.5 kg-os ponty. Ehhez az kell, hogy legyen a skálának nulla pontja, és ezen nulla pont ne önkényes legyen. Magasságméréseknél a nullapont a 0 magassághoz tartozik, ugyanígy tömegmérésnél a 0 tömeghez. A Kelvin hőmérsékletsálának 0 pontja is adott, nem úgy a Celsius és Farenheit skálán 0 pontja, amelyek önkényesen választottak (pl. víz fagyáspontja). A legtöbb mért adatunk aránysálán mért, a legtöbb itt tárgyalt statisztika alkalmazható arányskálára. 7

Adatok statisztikai értékelésének főbb lehetőségei

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

Részletesebben

Statisztika 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

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

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015 A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel

Részletesebben

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 - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.

Részletesebben

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

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás

Részletesebben

[Biomatematika 2] Orvosi biometria

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

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai 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

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

Területi statisztikai elemzések

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

Részletesebben

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

Vargha András Károli Gáspár Református Egyetem Budapest

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

Részletesebben

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM. STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése

Részletesebben

Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő

Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő Mintaterületek kijelölésének javasolt módjai kapás sortávú növényekre Miért is kell mintatér?

Részletesebben

KUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel

KUTATÁSMÓDSZERTAN 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,

Részletesebben

Bevezető Mi a statisztika? Mérés Csoportosítás

Bevezető 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

Részletesebben

Varianciaanalízis 4/24/12

Varianciaanalízis 4/24/12 1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása

Részletesebben

Környezet statisztika

Környezet statisztika Környezet statisztika Permutáció, variáció, kombináció k számú golyót n számú urnába helyezve hányféle helykitöltés lehetséges, ha a golyókat helykitöltés Minden urnába akárhány golyó kerülhet (ismétléses)

Részletesebben

Gyakorló 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 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,

Részletesebben

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,

Bevezetés 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.

Részletesebben

EÖTVÖS LORÁND SZAKKÖZÉP- ÉS SZAKISKOLA TANÍTÁST SEGÍTŐ OKTATÁSI ANYAGOK MÉRÉS TANTÁRGY

EÖTVÖS LORÁND SZAKKÖZÉP- ÉS SZAKISKOLA TANÍTÁST SEGÍTŐ OKTATÁSI ANYAGOK MÉRÉS TANTÁRGY EÖTVÖS LORÁND SZAKKÖZÉP- ÉS SZAKISKOLA TANÍTÁST SEGÍTŐ OKTATÁSI ANYAGOK MÉRÉS TANTÁRGY SÍKIDOMOK Síkidom 1 síkidom az a térelem, amelynek valamennyi pontja ugyan abban a síkban helyezkedik el. A síkidomokat

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

Érettségi feladatok: Trigonometria 1 /6

Érettségi feladatok: Trigonometria 1 /6 Érettségi feladatok: Trigonometria 1 /6 2003. Próba 14. Egy hajó a Csendes-óceán egy szigetéről elindulva 40 perc alatt 24 km-t haladt észak felé, majd az eredeti haladási irányhoz képest 65 -ot nyugat

Részletesebben

Mérés és modellezés Méréstechnika VM, GM, MM 1

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

Részletesebben

MATEMATIKA PRÓBAÉRETTSÉGI 2013 I. rész

MATEMATIKA PRÓBAÉRETTSÉGI 2013 I. rész MATEMATIKA PRÓBAÉRETTSÉGI 203 I. rész. Oldja meg a következő egyenletet: x 2 25. Az egyenlet megoldása: 2. Egy vállalat 280 000 Ft-ért vásárol egy számítógépet. A számítógép évente 5%-ot veszít az értékéből.

Részletesebben

Mérés és modellezés 1

Mérés és modellezés 1 Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell

Részletesebben

[GVMGS11MNC] Gazdaságstatisztika

[GVMGS11MNC] Gazdaságstatisztika [GVMGS11MNC] Gazdaságstatisztika 1. előadás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.uni-obuda.hu)

Részletesebben

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

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

Mérés és skálaképzés. Kovács István. BME Menedzsment és Vállalatgazdaságtan Tanszék

Mérés és skálaképzés. Kovács István. BME Menedzsment és Vállalatgazdaságtan Tanszék Mérés és skálaképzés Kovács István BME Menedzsment és Vállalatgazdaságtan Tanszék Miröl is lesz ma szó? Mi is az a mérés? A skálaképzés alapjai A skálaképzés technikái Összehasonlító skálák Nem összehasonlító

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

Segítség az outputok értelmezéséhez

Segítség az outputok értelmezéséhez Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró

Részletesebben

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

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

Részletesebben

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé.

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. HA 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) HA 2 Halmazok HA 3 Megjegyzések A halmaz, az elem és az eleme fogalmakat nem definiáljuk, hanem alapfogalmaknak

Részletesebben

1. Olvassuk be két pont koordinátáit: (x1, y1) és (x2, y2). Határozzuk meg a két pont távolságát és nyomtassuk ki.

1. Olvassuk be két pont koordinátáit: (x1, y1) és (x2, y2). Határozzuk meg a két pont távolságát és nyomtassuk ki. Számítás:. Olvassuk be két pont koordinátáit: (, y) és (2, y2). Határozzuk meg a két pont távolságát és nyomtassuk ki. 2. Olvassuk be két darab két dimenziós vektor komponenseit: (a, ay) és (b, by). Határozzuk

Részletesebben

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

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

Mintavétel. Kovács István BME Menedzsment és Vállalatgazdaságtan. Tanszék

Mintavétel. 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

Részletesebben

Populációbecslések és monitoring

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

Részletesebben

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

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. 1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét

Részletesebben

KÖVETKEZTETŐ STATISZTIKA

KÖVETKEZTETŐ 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

Részletesebben

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1 Halmazok 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 2 A fejezet legfontosabb elemei Halmaz megadási módjai Halmazok közti műveletek (metszet,

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

Részletesebben

Sta t ti t s i zt z i t k i a 1. előadás

Sta t ti t s i zt z i t k i a 1. előadás Statisztika 1 előadás Témakörök Statisztikai alapfogalmak Statisztikai sorok Mennyiségi sorok csoportosítása Statisztikai táblák Statisztika fogalma Gyakorlati tevékenység Adatok összessége Módszertan

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Két 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

Részletesebben

Kutatói pályára felkészítı modul

Kutatói pályára felkészítı modul Kutatói pályára felkészítı modul Kutatói pályára felkészítı kutatási ismeretek modul Tudomáyos kutatási alapayag feldolgozása, elemzési ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

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

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

Részletesebben

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra Vörös Zsuzsanna NÉBIH RFI tervezési referens 2013. április 17. Egy kis felmérés nem kor Következtetések: 1. a jelenlevők nemi megoszlása:

Részletesebben

Homogén testnek nevezzük az olyan testet, amelynek minden része ugyanolyan tulajdonságú. ρ = m V.

Homogén testnek nevezzük az olyan testet, amelynek minden része ugyanolyan tulajdonságú. ρ = m V. SZILÁRD TESTEK SŰRŰSÉGÉNEK MÉRÉSE 1. Elméleti háttér Homogén testnek nevezzük az olyan testet, amelynek minden része ugyanolyan tulajdonságú anyagból áll. Homogén például az üveg, a fémek, a víz, a lufiba

Részletesebben

LINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK

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

Részletesebben

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Populációbecslés és monitoring. Eloszlások és alapstatisztikák Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

Részletesebben

Mit nevezünk nehézségi erőnek?

Mit nevezünk nehézségi erőnek? Mit nevezünk nehézségi erőnek? Azt az erőt, amelynek hatására a szabadon eső testek g (gravitációs) gyorsulással esnek a vonzó test centruma felé, nevezzük nehézségi erőnek. F neh = m g Mi a súly? Azt

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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

Részletesebben

A vegetáció felmérésében. 1. előadás

A vegetáció felmérésében. 1. előadás A vegetáció felmérésében használt mintavételi módszerek Növényökológiai módszerek 1. előadás Mintavételezés é célja A mintavételezési módszerek kifejlesztésének é k mozgatórugója ój a lustaság A cél az

Részletesebben

SZAKÁLL SÁNDOR, ÁsVÁNY- És kőzettan ALAPJAI

SZAKÁLL SÁNDOR, ÁsVÁNY- És kőzettan ALAPJAI SZAKÁLL SÁNDOR, ÁsVÁNY- És kőzettan ALAPJAI 7 KRISTÁLYTAN VII. A KRIsTÁLYOK szimmetriája 1. BEVEZETÉs Az elemi cella és ebből eredően a térrácsnak a szimmetriáját a kristályok esetében az atomok, ionok

Részletesebben

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

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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben

Regresszió számítás. Tartalomjegyzék: GeoEasy V2.05+ Geodéziai Kommunikációs Program

Regresszió számítás. Tartalomjegyzék: GeoEasy V2.05+ Geodéziai Kommunikációs Program Regresszió számítás GeoEasy V2.05+ Geodéziai Kommunikációs Program DigiKom Kft. 2006-2010 Tartalomjegyzék: Egyenes x változik Egyenes y változik Egyenes y és x változik Kör Sík z változik Sík y, x és z

Részletesebben

Dr. Piskóti István Marketing Intézet. Marketing 2.

Dr. Piskóti István Marketing Intézet. Marketing 2. Kutatni kell kutatni jó! - avagy a MIR és a marketingkutatás módszerei Dr. Piskóti István Marketing Intézet Marketing 2. Marketing-menedzsment A marketing összes feladatát és aktivitásait összefoglalóan,

Részletesebben

Hőtágulás - szilárd és folyékony anyagoknál

Hőtágulás - szilárd és folyékony anyagoknál Hőtágulás - szilárd és folyékony anyagoknál Celsius hőmérsékleti skála: 0 ºC pontja a víz fagyáspontja 100 ºC pontja a víz forráspontja Kelvin hőmérsékleti skála: A beosztása 273-al van elcsúsztatva a

Részletesebben

Két adatfelvétel: a szegény háztartások fogyasztási szokásai és a tulajdonosi jövedelmek szerkezete. Medgyesi Márton Tárki Zrt

Két adatfelvétel: a szegény háztartások fogyasztási szokásai és a tulajdonosi jövedelmek szerkezete. Medgyesi Márton Tárki Zrt Két adatfelvétel: a szegény háztartások fogyasztási szokásai és a tulajdonosi jövedelmek szerkezete Medgyesi Márton Tárki Zrt Vázlat 1.A szegény háztartások fogyasztási szokásai A kutatás célja Mintavétel

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat.

Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat. 1 Ittfoglalomösszea legfontosabbtudnivalókat, részleteka honlapon, illetvea gyakorlatvezetőtől is kaptok információkat. A statisztika tanulásához a legtöbb infomrációkat az előadásokon és számítógépes

Részletesebben

Magyarország 1,2360 1,4622 1,6713 1,8384 2,0186 2,2043

Magyarország 1,2360 1,4622 1,6713 1,8384 2,0186 2,2043 370 Statisztika, valószínûség-számítás 1480. a) Nagy országok: Finnország, Olaszország, Nagy-Britannia, Franciaország, Spanyolország, Svédország, Lengyelország, Görögország, Kis országok: Ciprus, Málta,

Részletesebben

Bevezetés a statisztikába

Bevezetés a statisztikába Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 9. Bevezetés a statisztikába Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:

Részletesebben

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Biomatematika 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:

Részletesebben

Emelt szintű érettségi feladatsorok és megoldásaik Összeállította: Pataki János; dátum: november. I. rész

Emelt szintű érettségi feladatsorok és megoldásaik Összeállította: Pataki János; dátum: november. I. rész Pataki János, november Emelt szintű érettségi feladatsorok és megoldásaik Összeállította: Pataki János; dátum: november I rész feladat Oldja meg az alábbi egyenleteket: a) log 7 log log log 7 ; b) ( )

Részletesebben

TÁRKI ADATFELVÉTELI ÉS ADATBANK OSZTÁLYA OMNIBUSZ 98/1. SPSS állomány neve: Könyvtári dokumentum sorszáma: 287. Budapest, 1998.

TÁRKI ADATFELVÉTELI ÉS ADATBANK OSZTÁLYA OMNIBUSZ 98/1. SPSS állomány neve: Könyvtári dokumentum sorszáma: 287. Budapest, 1998. TÁRKI ADATFELVÉTELI ÉS ADATBANK OSZTÁLYA OMNIBUSZ 98/1 SPSS állomány neve: d58.sav Könyvtári dokumentum sora: 287 Budapest, 1998. Omnibusz 98/1 2 Tartalomjegyzék TARTALOMJEGYZÉK 2 BEVEZETÉS 3 A MINTA ÖSSZEHASONLÍTÁSA

Részletesebben

Gyökvonás. Másodfokú egyenlet. 3. Az egyenlet megoldása nélkül határozd meg, hogy a következő egyenleteknek mennyi gyöke van!

Gyökvonás. Másodfokú egyenlet. 3. Az egyenlet megoldása nélkül határozd meg, hogy a következő egyenleteknek mennyi gyöke van! 1. Melyik a nagyobb? a) 6 5 vagy 5 7 b) vagy 11 10 vagy Gyökvonás 5 11 vagy 6 8 55 e) 7 vagy 60 16 1. Hozd egyszerűbb alakra a következő kifejezéseket! a) 7 18 b) 1 5 75 8 160 810 650 8a 5 a 7a e) 15a

Részletesebben

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat

Részletesebben

Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS

Valószínűségszámítás 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

Részletesebben

Bevezetés az SPSS program statisztikai alapjaiba. Előadó: Dr. Balogh Péter

Bevezetés az SPSS program statisztikai alapjaiba. Előadó: Dr. Balogh Péter Bevezetés az SPSS program statisztikai Előadó: Dr Balogh Péter A statisztika olyan tudomány, amely adatok összegyűjtésével, rendszerezésével és értelmezésével foglalkozik abból a célból, hogy valamilyen

Részletesebben

Folyadékok és gázok mechanikája

Folyadékok és gázok mechanikája Folyadékok és gázok mechanikája Hidrosztatikai nyomás A folyadékok és gázok közös tulajdonsága, hogy alakjukat szabadon változtatják. Hidrosztatika: nyugvó folyadékok mechanikája Nyomás: Egy pontban a

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám 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

Részletesebben

= 163, 63V. Felírható az R 2 ellenállásra, hogy: 163,63V. blokk sorosan van kapcsolva a baloldali R 1 -gyel, és tudjuk, hogy

= 163, 63V. Felírható az R 2 ellenállásra, hogy: 163,63V. blokk sorosan van kapcsolva a baloldali R 1 -gyel, és tudjuk, hogy Határozzuk meg és ellenállások értékét, ha =00V, = 00, az ampermérő 88mA áramot, a voltmérő,v feszültséget jelez! Az ampermérő ellenállását elhanyagolhatóan kicsinek, a voltmérőét végtelen nagynak tekinthetjük

Részletesebben

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

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

Középszintű érettségi feladatsorok és megoldásaik Összeállította: Fazakas Tünde; dátum: november. I. rész

Középszintű érettségi feladatsorok és megoldásaik Összeállította: Fazakas Tünde; dátum: november. I. rész Fazakas Tünde, 005. november Középszintű érettségi feladatsorok és megoldásaik Összeállította: Fazakas Tünde; dátum: 005. november I. rész 1. feladat Egy osztály tanulói a következő osztályzatokat kapták

Részletesebben

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba Hibaforrások Hiba A feladatok megoldása során különféle hibaforrásokkal találkozunk: Modellhiba, amikor a valóságnak egy közelítését használjuk a feladat matematikai alakjának felírásához. (Pl. egy fizikai

Részletesebben

4. A kézfogások száma pont Összesen: 2 pont

4. A kézfogások száma pont Összesen: 2 pont I. 1. A páros számokat tartalmazó részhalmazok: 6 ; 8 ; 6 ; 8. { } { } { }. 5 ( a ) 17 Összesen: t = = a a Összesen: ot kaphat a vizsgázó, ha csak két helyes részhalmazt ír fel. Szintén jár, ha a helyes

Részletesebben

Likelihood, deviancia, Akaike-féle információs kritérium

Likelihood, deviancia, Akaike-féle információs kritérium Többváltozós statisztika (SZIE ÁOTK, 2011. ősz) 1 Likelihood, deviancia, Akaike-féle információs kritérium Likelihood függvény Az adatokhoz paraméteres modellt illesztünk. A likelihood függvény a megfigyelt

Részletesebben

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Statisztika 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

Részletesebben

Döntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART ))

Döntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART )) Döntési fák (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART )) Rekurzív osztályozó módszer, Klasszifikációs és regressziós fák folytonos, kategóriás, illetve túlélés adatok

Részletesebben

A szabályos sokszögek közelítő szerkesztéséhez

A szabályos sokszögek közelítő szerkesztéséhez 1 A szabályos sokszögek közelítő szerkesztéséhez A síkmértani szerkesztések között van egy kedvencünk: a szabályos n - szög közelítő szerkesztése. Azért vívta ki nálunk ezt az előkelő helyet, mert nagyon

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

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk

Részletesebben

Feladatok MATEMATIKÁBÓL II.

Feladatok MATEMATIKÁBÓL II. Feladatok MATEMATIKÁBÓL a 12. évfolyam számára II. 1. Alakítsuk át a következő kifejezéseket úgy, hogy teljes négyzetek jelenjenek meg: a) x 2 2x + b) x 2 6x + 10 c) x 2 + x + 1 d) x 2 12x + 11 e) 2x 2

Részletesebben

Analóg digitális átalakítók ELEKTRONIKA_2

Analóg digitális átalakítók ELEKTRONIKA_2 Analóg digitális átalakítók ELEKTRONIKA_2 TEMATIKA Analóg vs. Digital Analóg/Digital átalakítás Mintavételezés Kvantálás Kódolás A/D átalakítók csoportosítása A közvetlen átalakítás A szukcesszív approximációs

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő

Részletesebben

[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

TANMENETJAVASLAT. Dr. Korányi Erzsébet MATEMATIKA. tankönyv ötödikeseknek. címû tankönyvéhez

TANMENETJAVASLAT. Dr. Korányi Erzsébet MATEMATIKA. tankönyv ötödikeseknek. címû tankönyvéhez TANMENETJAVASLAT Dr. Korányi Erzsébet MATEMATIKA tankönyv ötödikeseknek címû tankönyvéhez A heti 3 óra, évi 111 óra B heti 4 óra, évi 148 óra Javaslat témazáró dolgozatra: Dr. Korányi Erzsébet: Matematika

Részletesebben

Matematika szóbeli érettségi témakörök 2016/2017-es tanév őszi vizsgaidőszak

Matematika szóbeli érettségi témakörök 2016/2017-es tanév őszi vizsgaidőszak Matematika szóbeli érettségi témakörök 2016/2017-es tanév őszi vizsgaidőszak Halmazok Halmazok egyenlősége Részhalmaz, valódi részhalmaz Üres halmaz Véges és végtelen halmaz Halmazműveletek (unió, metszet,

Részletesebben

Tanmenet a Matematika 10. tankönyvhöz

Tanmenet a Matematika 10. tankönyvhöz Tanmenet a Matematika 10. tankönyvhöz (111 óra, 148 óra, 185 óra) A tanmenetben olyan órafelosztást adunk, amely alkalmazható mind a középszintû képzés (heti 3 vagy heti 4 óra), mind az emelt szintû képzés

Részletesebben

3. OSZTÁLY A TANANYAG ELRENDEZÉSE

3. OSZTÁLY A TANANYAG ELRENDEZÉSE Jelölések: 3. OSZTÁLY A TANANYAG ELRENDEZÉSE Piros főtéma Citromsárga segítő, eszköz Narancssárga előkészítő Kék önálló melléktéma Hét Gondolkodási és megismerési módszerek Problémamegoldások, modellek

Részletesebben

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Kabos: 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,

Részletesebben

TÁRKI ADATFELVÉTELI ÉS ADATBANK OSZTÁLYA. Inflációs várakozás 2002/8. SPSS állomány neve: Budapest, augusztus

TÁRKI ADATFELVÉTELI ÉS ADATBANK OSZTÁLYA. Inflációs várakozás 2002/8. SPSS állomány neve: Budapest, augusztus TÁRKI ADATFELVÉTELI ÉS ADATBANK OSZTÁLYA Inflációs várakozás 2002/8 SPSS állomány neve: F53 Budapest, 2002. augusztus Inflációs várakozás 2002/8 2 Tartalomjegyzék BEVEZETÉS... 3 AZ INFLÁCIÓS VÁRAKOZÁS

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

Részletesebben

Próba érettségi feladatsor április 09. I. RÉSZ. 1. Hány fokos az a konkáv szög, amelyiknek koszinusza: 2

Próba érettségi feladatsor április 09. I. RÉSZ. 1. Hány fokos az a konkáv szög, amelyiknek koszinusza: 2 Név: osztály: Próba érettségi feladatsor 010 április 09 I RÉSZ Figyelem! A dolgozatot tollal írja; az ábrákat ceruzával is rajzolhatja A megoldást minden esetben a feladat szövege melletti fehér hátterű

Részletesebben