Idegennyelv-tanulás támogatása statisztikai és nyelvi eszközökkel
|
|
- István Dobos
- 7 évvel ezelőtt
- Látták:
Átírás
1 statisztikai és nyelvi eszközökkel Témalabor 2. beszámoló Témavezet : Vámos Gábor január 9.
2 Mir l lesz szó? A cél: tesztelni és tanítani 1 A cél: tesztelni és tanítani Eszközök és célok Szókincs fejlesztése 2 El -gráf építése El -gráf sz rése 3 Információértékek és szócsoportok
3 Eszközök és célok Szókincs fejlesztése Eszközök és célok Milyen célt lehet kit zni? Mit lehet elvárni? Mik a lehetséges eszközök?
4 Eszközök és célok Szókincs fejlesztése Eszközök és célok Milyen célt lehet kit zni? Mit lehet elvárni? Mik a lehetséges eszközök? Eszközök: internet korpusz (rendelkezésre áll) szavak, szófajuk, ragozatlan alakjuk (például: megy/ige/menni) statisztika (szavak gyakorisága) adatbányászat (összefüggések kinyerése)
5 Eszközök és célok Szókincs fejlesztése Eszközök és célok Milyen célt lehet kit zni? Mit lehet elvárni? Mik a lehetséges eszközök? Eszközök: Célok: internet korpusz (rendelkezésre áll) szavak, szófajuk, ragozatlan alakjuk (például: megy/ige/menni) statisztika (szavak gyakorisága) adatbányászat (összefüggések kinyerése) alkalmazkodni a tanuló tudásszintjéhez szavak tanítása szókapcsolatok, szószerkezetek tanítása a nyelv egy lehetséges modellje: kész mondatsémák
6 Eszközök és célok Szókincs fejlesztése Szókincs fejlesztése Két lépésben valósul meg: szótesztel és szótanító. Ma az els t mutatom be.
7 Eszközök és célok Szókincs fejlesztése Szókincs fejlesztése Két lépésben valósul meg: szótesztel és szótanító. Ma az els t mutatom be. Mit kezdünk az információval, hogy az adott szót tudja-e vagy sem? ha ismeretlen megtanítani ha ismert mely szavakat ismerheti még, amiket nem kell megkérdezni?
8 Eszközök és célok Szókincs fejlesztése Szókincs fejlesztése Két lépésben valósul meg: szótesztel és szótanító. Ma az els t mutatom be. Mit kezdünk az információval, hogy az adott szót tudja-e vagy sem? ha ismeretlen megtanítani ha ismert mely szavakat ismerheti még, amiket nem kell megkérdezni? Ehhez kell: szavak struktúráját, kapcsolatrendszerét feltárni véletlenített kérdez eljárás, mely tudja, hogy mikor kell megállni (statisztika, hipotézisvizsgálat)
9 El -gráf építése El -gráf sz rése Naiv módszer: a gyakori szavak az érdekesek. Minden szóhoz kigy jtjük a gyakoriságát.
10 El -gráf építése El -gráf sz rése Naiv módszer: a gyakori szavak az érdekesek. Minden szóhoz kigy jtjük a gyakoriságát. De ez nem elég! aki ismer néhányat a leggyakoribb szavak közül, az feltehet leg ismeri az alapszókincset
11 El -gráf építése El -gráf sz rése Naiv módszer: a gyakori szavak az érdekesek. Minden szóhoz kigy jtjük a gyakoriságát. De ez nem elég! aki ismer néhányat a leggyakoribb szavak közül, az feltehet leg ismeri az alapszókincset megoldás: szócsoportok kialakítása szócsoporton belül az ismert szavak arányának megállapítása
12 El -gráf építése El -gráf sz rése Naiv módszer: a gyakori szavak az érdekesek. Minden szóhoz kigy jtjük a gyakoriságát. De ez nem elég! aki ismer néhányat a leggyakoribb szavak közül, az feltehet leg ismeri az alapszókincset megoldás: szócsoportok kialakítása szócsoporton belül az ismert szavak arányának megállapítása bizonyos szavak összetartoznak. Pl.: globális...
13 El -gráf építése El -gráf sz rése Naiv módszer: a gyakori szavak az érdekesek. Minden szóhoz kigy jtjük a gyakoriságát. De ez nem elég! aki ismer néhányat a leggyakoribb szavak közül, az feltehet leg ismeri az alapszókincset megoldás: szócsoportok kialakítása szócsoporton belül az ismert szavak arányának megállapítása bizonyos szavak összetartoznak. Pl.: globális... kéne egy gráfszerkezet súlyokkal, következési valószín ségekkel a gráf pontjai a szavak, élei a következtetések ha ismeri ezt a szót, p valószín séggel ismeri a másikat is, hiszen feltehet, hogy szövegb l tanulta is, akárcsak a gép
14 El -gráf építése El -gráf sz rése Naiv módszer: a gyakori szavak az érdekesek. Minden szóhoz kigy jtjük a gyakoriságát. De ez nem elég! aki ismer néhányat a leggyakoribb szavak közül, az feltehet leg ismeri az alapszókincset megoldás: szócsoportok kialakítása szócsoporton belül az ismert szavak arányának megállapítása bizonyos szavak összetartoznak. Pl.: globális... kéne egy gráfszerkezet súlyokkal, következési valószín ségekkel a gráf pontjai a szavak, élei a következtetések ha ismeri ezt a szót, p valószín séggel ismeri a másikat is, hiszen feltehet, hogy szövegb l tanulta is, akárcsak a gép Ilyen típusú szabályokat keresünk: A p B (ahol A, B egy-egy szó, p [0, 1] egy valószín ség). Példa: globális 0.6 felmelegedés.
15 El -gráf építése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Az adatbázis nagy (2 GB). Egy tesztfuttatás rövid. Egy menetben feldolgozunk 1-2 véletlenszer en választott szöveget.
16 El -gráf építése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Az adatbázis nagy (2 GB). Egy tesztfuttatás rövid. Egy menetben feldolgozunk 1-2 véletlenszer en választott szöveget. Feldolgozás = minden szóra (pont) és szópárra (él) eltároljuk a gyakoriságukat, vagy hozzáadjuk a meglév khöz.
17 El -gráf építése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Az adatbázis nagy (2 GB). Egy tesztfuttatás rövid. Egy menetben feldolgozunk 1-2 véletlenszer en választott szöveget. Feldolgozás = minden szóra (pont) és szópárra (él) eltároljuk a gyakoriságukat, vagy hozzáadjuk a meglév khöz. Probléma: memóriakorlát. A gráf építéséhez gyors hozzáférés kéne.
18 El -gráf építése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Az adatbázis nagy (2 GB). Egy tesztfuttatás rövid. Egy menetben feldolgozunk 1-2 véletlenszer en választott szöveget. Feldolgozás = minden szóra (pont) és szópárra (él) eltároljuk a gyakoriságukat, vagy hozzáadjuk a meglév khöz. Probléma: memóriakorlát. A gráf építéséhez gyors hozzáférés kéne. Megoldás: sejtekben tároljuk az adatokat (pont-sejtek és él-sejtek). fels korlát a méretre. Ha megtelik, osztódik. sejten belül a tömb rendezett, így a sejteknek egymáshoz képest is kialakul egy sorrendjük sejtkatalógus - vö. Révai Nagy Lexikonból ami a könyvespolcról látszik
19 El -gráf sz rése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Hány szó, hány szópár lesz? Ha a gráfban n pont van, akkor az élek száma n 2.
20 El -gráf sz rése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Hány szó, hány szópár lesz? Ha a gráfban n pont van, akkor az élek száma n 2. Végeredmény: 8 pont-sejt, 382 (!) él-sejt. Pedig minden sejt fels korláta 100 KB. Oka?
21 El -gráf sz rése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Hány szó, hány szópár lesz? Ha a gráfban n pont van, akkor az élek száma n 2. Végeredmény: 8 pont-sejt, 382 (!) él-sejt. Pedig minden sejt fels korláta 100 KB. Oka? a szavak közül mindig ugyanazok a gyakoriak kerülnek el, nagy többségben, csak az számlálójukat növeltem viszont minden mondatban újabb és újabb szópárok keletkeznek, melyek az egész világon csak ebben az egy mondatban szerepelnek rengeteg szópár gyakorisága 1, ill. 2
22 El -gráf sz rése A cél: tesztelni és tanítani El -gráf építése El -gráf sz rése Hány szó, hány szópár lesz? Ha a gráfban n pont van, akkor az élek száma n 2. Végeredmény: 8 pont-sejt, 382 (!) él-sejt. Pedig minden sejt fels korláta 100 KB. Oka? a szavak közül mindig ugyanazok a gyakoriak kerülnek el, nagy többségben, csak az számlálójukat növeltem viszont minden mondatban újabb és újabb szópárok keletkeznek, melyek az egész világon csak ebben az egy mondatban szerepelnek rengeteg szópár gyakorisága 1, ill. 2 Ha ezeket töröljük, elférnek a memóriában. A szavak közül csak a leggyakoribbakat hagyom meg, annyit, amennyi még éppen elfér.
23 El -gráf építése El -gráf sz rése Mikor vezessen él egy szóból a másikba a végleges gráfban?
24 El -gráf építése El -gráf sz rése Mikor vezessen él egy szóból a másikba a végleges gráfban? Ha a két szó egymással összefügg. Ha függetlenek, akkor ne vezessen él, ekkor ugyanis a kapott eredmény megtéveszt lenne. (Hasonló a helyzet: adatbányászat, asszociációs szabályok.)
25 El -gráf építése El -gráf sz rése Mikor vezessen él egy szóból a másikba a végleges gráfban? Ha a két szó egymással összefügg. Ha függetlenek, akkor ne vezessen él, ekkor ugyanis a kapott eredmény megtéveszt lenne. (Hasonló a helyzet: adatbányászat, asszociációs szabályok.) Függetlenségvizsgálatot hajtunk végre. A és B két szót jelöl. A A B a 11 a 12 a 11 + a 12 B a 21 a 22 a 21 + a 22 a 11 + a 21 a 12 + a 22 n
26 El -gráf építése El -gráf sz rése Mikor vezessen él egy szóból a másikba a végleges gráfban? Ha a két szó egymással összefügg. Ha függetlenek, akkor ne vezessen él, ekkor ugyanis a kapott eredmény megtéveszt lenne. (Hasonló a helyzet: adatbányászat, asszociációs szabályok.) Függetlenségvizsgálatot hajtunk végre. A és B két szót jelöl. A A B a 11 a 12 a 11 + a 12 B a 21 a 22 a 21 + a 22 a 11 + a 21 a 12 + a 22 n Ha a kontingenciatáblázat minden eleme nagyobb tíznél, χ 2 -próbát alkalmazunk. Ha nem, binomiális próbát. Ha elvetjük a nullhipotézist (függetlenség), akkor az oda-élet és vissza-élet is behúzzuk. Az A p B él súlya: p = gyak(a,b) gyak(a).
27 Információértékek és szócsoportok Információértékek és szócsoportok Minden pontnak és minden élnek van egy súlya. A pontok súlya: a megfelel szó gyakorisága (hányszor fordul el ). Az élek súlya: a következési valószín ség.
28 Információértékek és szócsoportok Információértékek és szócsoportok Minden pontnak és minden élnek van egy súlya. A pontok súlya: a megfelel szó gyakorisága (hányszor fordul el ). Az élek súlya: a következési valószín ség. Egy pont információértéke nulladik közelítésben: a pont súlya. Els közelítésben: a pont súlya, plusz a leszármazottainak élsúlyokkal súlyozott információértékeinek összege.
29 Információértékek és szócsoportok Információértékek és szócsoportok Minden pontnak és minden élnek van egy súlya. A pontok súlya: a megfelel szó gyakorisága (hányszor fordul el ). Az élek súlya: a következési valószín ség. Egy pont információértéke nulladik közelítésben: a pont súlya. Els közelítésben: a pont súlya, plusz a leszármazottainak élsúlyokkal súlyozott információértékeinek összege. Azaz: ha az ábrán pirossal jelölt pontot a tanuló ismeri (mint szót), akkor a megfelel valószín ségek szerint a bel le elérhet ket is ismeri. Ha nem, akkor a piros ponttal együtt (valószín leg) a bel le elérhet ket is megtanítjuk!
30 Információértékek és szócsoportok Információértékek és szócsoportok Minden pontnak és minden élnek van egy súlya. A pontok súlya: a megfelel szó gyakorisága (hányszor fordul el ). Az élek súlya: a következési valószín ség. Egy pont információértéke nulladik közelítésben: a pont súlya. Els közelítésben: a pont súlya, plusz a leszármazottainak élsúlyokkal súlyozott információértékeinek összege. Azaz: ha az ábrán pirossal jelölt pontot a tanuló ismeri (mint szót), akkor a megfelel valószín ségek szerint a bel le elérhet ket is ismeri. Ha nem, akkor a piros ponttal együtt (valószín leg) a bel le elérhet ket is megtanítjuk! Az információérték a szó gyakoriságának általánosítása. A szavakat információértékük alapján sorbarakjuk, majd a kapott listát egyenletesen n szócsoportra osztjuk.
31 Információértékek és szócsoportok Két céllal kérdezhetünk rá egy szóra: statisztikai vagy tanítási céllal.
32 Információértékek és szócsoportok Két céllal kérdezhetünk rá egy szóra: statisztikai vagy tanítási céllal. statisztikai cél: megtudni egy szócsoportban az ismert szavak eloszlását. Utána vizsgáljuk azt a hipotézist, hogy szignikáns-e már a minta (hipergeometrikus eloszlás). Így kétféle szócsoport alakul ki: amiben a minta már szignikáns, és amiben még nem.
33 Információértékek és szócsoportok Két céllal kérdezhetünk rá egy szóra: statisztikai vagy tanítási céllal. statisztikai cél: megtudni egy szócsoportban az ismert szavak eloszlását. Utána vizsgáljuk azt a hipotézist, hogy szignikáns-e már a minta (hipergeometrikus eloszlás). Így kétféle szócsoport alakul ki: amiben a minta már szignikáns, és amiben még nem. tanítási cél: olyan szót találni, ami gyakori (nagy információérték ), de még nem ismeri a tanuló.
34 Információértékek és szócsoportok Két céllal kérdezhetünk rá egy szóra: statisztikai vagy tanítási céllal. statisztikai cél: megtudni egy szócsoportban az ismert szavak eloszlását. Utána vizsgáljuk azt a hipotézist, hogy szignikáns-e már a minta (hipergeometrikus eloszlás). Így kétféle szócsoport alakul ki: amiben a minta már szignikáns, és amiben még nem. tanítási cél: olyan szót találni, ami gyakori (nagy információérték ), de még nem ismeri a tanuló. Ha egy szócsoportban a minta szignikáns lett, megszorozzuk az ott található szavak információértékét az ISMERETLEN szavak arányával. Az így kapott mér szám szemléletes jelentése: ha erre a szóra rákérdezünk, mi az ezáltal megtanítható szavak várható értéke.
35 Információértékek és szócsoportok Két céllal kérdezhetünk rá egy szóra: statisztikai vagy tanítási céllal. statisztikai cél: megtudni egy szócsoportban az ismert szavak eloszlását. Utána vizsgáljuk azt a hipotézist, hogy szignikáns-e már a minta (hipergeometrikus eloszlás). Így kétféle szócsoport alakul ki: amiben a minta már szignikáns, és amiben még nem. tanítási cél: olyan szót találni, ami gyakori (nagy információérték ), de még nem ismeri a tanuló. Ha egy szócsoportban a minta szignikáns lett, megszorozzuk az ott található szavak információértékét az ISMERETLEN szavak arányával. Az így kapott mér szám szemléletes jelentése: ha erre a szóra rákérdezünk, mi az ezáltal megtanítható szavak várható értéke. A végleges algoritmusban a kétféle kérdéstípust váltogatjuk.
36 Információértékek és szócsoportok Mennyiben függ a kérdés a tanulótól? Azaz: mennyire adaptív az algoritmus?
37 Információértékek és szócsoportok Mennyiben függ a kérdés a tanulótól? Azaz: mennyire adaptív az algoritmus? a gráf alapján: ha egy szóról kiderül, hogy ismert, valószín leg a leszármazottai is azok
38 Információértékek és szócsoportok Mennyiben függ a kérdés a tanulótól? Azaz: mennyire adaptív az algoritmus? a gráf alapján: ha egy szóról kiderül, hogy ismert, valószín leg a leszármazottai is azok csökkentem az információértéküket
39 Információértékek és szócsoportok Mennyiben függ a kérdés a tanulótól? Azaz: mennyire adaptív az algoritmus? a gráf alapján: ha egy szóról kiderül, hogy ismert, valószín leg a leszármazottai is azok csökkentem az információértéküket a szócsoportok alapján: ha egy szócsoportról kiderül, hogy magas szinten ismert, valószín leg a meg nem kérdezett elemei is azok
40 Információértékek és szócsoportok Mennyiben függ a kérdés a tanulótól? Azaz: mennyire adaptív az algoritmus? a gráf alapján: ha egy szóról kiderül, hogy ismert, valószín leg a leszármazottai is azok csökkentem az információértéküket a szócsoportok alapján: ha egy szócsoportról kiderül, hogy magas szinten ismert, valószín leg a meg nem kérdezett elemei is azok súlyozódik az információérték az ISMERETLENEK relatív gyakoriságával, így csökken
41 Információértékek és szócsoportok Köszönöm a gyelmet! Köszönöm a gyelmet!
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
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
RészletesebbenAsszociációs szabályok
Asszociációs szabályok Nikházy László Nagy adathalmazok kezelése 2010. március 10. Mi az értelme? A ö asszociációs szabály azt állítja, hogy azon vásárlói kosarak, amik tartalmaznak pelenkát, általában
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
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
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
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
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
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
RészletesebbenValószín ségszámítás és statisztika Gyakorlat (Kétmintás próbák)
Gyakorlat (Kétmintás próbák) 2018. december 4. Kétmintás u-próba 1 Adott két független minta 0.0012 szórású normális eloszlásból. Az egyik, 9 elem minta realizációjának átlaga 0.1672, a másik 16 elem é
RészletesebbenGyakori elemhalmazok kinyerése
Gyakori elemhalmazok kinyerése Balambér Dávid Budapesti M szaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudomány szakirány 2011 március 11. Balambér Dávid (BME) Gyakori
RészletesebbenOnline algoritmusok. Algoritmusok és bonyolultságuk. Horváth Bálint március 30. Horváth Bálint Online algoritmusok március 30.
Online algoritmusok Algoritmusok és bonyolultságuk Horváth Bálint 2018. március 30. Horváth Bálint Online algoritmusok 2018. március 30. 1 / 28 Motiváció Gyakran el fordul, hogy a bemenetet csak részenként
RészletesebbenNemparametrikus tesztek. 2014. december 3.
Nemparametrikus tesztek 2014. december 3. Nemparametrikus módszerek Alkalmazásuk: nominális adatok (gyakoriságok) esetén, ordinális adatok esetén, metrikus adatok esetén (intervallum és arányskála), ha
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,
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenKabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.
Kabos: Statisztika II. ROC elemzések 10.1 ROC elemzések Szenzitivitás és specificitás a jelfeldolgozás szóhasználatával A riasztóberendezés érzékeli, ha támadás jön, és ilyenkor riaszt. Máskor nem. TruePositiveAlarm:
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenSTATISZTIKA 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
RészletesebbenNagyméretű adathalmazok kezelése (BMEVISZM144) Reinhardt Gábor április 5.
Asszociációs szabályok Budapesti Műszaki- és Gazdaságtudományi Egyetem 2012. április 5. Tartalom 1 2 3 4 5 6 7 ismétlés A feladat Gyakran együtt vásárolt termékek meghatározása Tanultunk rá hatékony algoritmusokat
RészletesebbenBIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis
Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai
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
RészletesebbenMatematikai statisztika
Matematikai statisztika Survey statisztika mesterszak + földtudomány alapszak Backhausz Ágnes agnes@math.elte.hu Fogadóóra: szerda 10 11 és 13 14, D 3-415 2018/2019. tavaszi félév Bevezetés A statisztika
RészletesebbenVizsgáljuk elôször, hogy egy embernek mekkora esélye van, hogy a saját
376 Statisztika, valószínûség-számítás 1500. Az elsô kérdésre egyszerû válaszolni, elég egy ellenpélda, és biztosan nem lehet akkor így kiszámolni. Pl. legyen a három szám a 3; 5;. A két kisebb szám átlaga
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
RészletesebbenA konfidencia intervallum képlete: x± t( α /2, df )
1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,
RészletesebbenMATEMATIKA. 5 8. évfolyam
MATEMATIKA 5 8. évfolyam Célok és feladatok A matematikatanítás célja és ennek kapcsán feladata: megismertetni a tanulókat az őket körülvevő konkrét környezet mennyiségi és térbeli viszonyaival, megalapozni
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
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,
RészletesebbenLOGIKA ÉS ÉRVELÉSTECHNIKA
LOGIKA ÉS ÉRVELÉSTECHNIKA Készült a TÁMOP-4.1.2-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenOsztályozóvizsga követelményei
Osztályozóvizsga követelményei Képzés típusa: Tantárgy: Nyolcosztályos gimnázium Matematika Évfolyam: 12 Emelt óraszámú csoport Emelt szintű csoport Vizsga típusa: Írásbeli Követelmények, témakörök: Emelt
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
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
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
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
RészletesebbenGráfok 2. Legrövidebb utak, feszítőfák. Szoftvertervezés és -fejlesztés II. előadás. Szénási Sándor
Gráfok 2. Legrövidebb utak, feszítőfák előadás http://nik.uni-obuda.hu/sztf2 Szénási Sándor Óbudai Egyetem,Neumann János Informatikai Kar Legrövidebb utak keresése Minimális feszítőfa keresése Gráfok 2
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenVALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA
VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események
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
RészletesebbenBevezetés a programozásba. 12. Előadás: 8 királynő
Bevezetés a programozásba 12. Előadás: 8 királynő A 8 királynő feladat Egy sakktáblára tennénk 8 királynőt, úgy, hogy ne álljon egyik sem ütésben Ez nem triviális feladat, a lehetséges 64*63*62*61*60*59*58*57/8!=4'426'165'368
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András 2015. október 12. Hogyan n nek a hálózatok? Statikus
Részletesebben( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!
1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló
RészletesebbenStatisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat
Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia
RészletesebbenEloszlás-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
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
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
Részletesebben13. Oldja meg a valós számok halmazán az alábbi egyenleteket!
A 13. Oldja meg a valós számok halmazán az alábbi egyenleteket! a) b) sin 2 x 1 2cos x a) 6 pont b) 6 pont 12 pont írásbeli vizsga, II. összetev 4 / 16 2011. október 18. 14. Egy felmérés során két korcsoportban
RészletesebbenSzámítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA
SZDT-04 p. 1/30 Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás
Részletesebben2. A ξ valószín ségi változó s r ségfüggvénye a következ : c f(x) =
1 Egy dobozban hat fehér golyó van Egy szabályos dobókockával dobunk, majd annyi piros golyót teszünk a dobozba, amennyit dobtunk Ezután véletlenszer en húzunk egy golyót a dobozból (a) Mi a valószín sége,
RészletesebbenAdatbányászat. Gyakori elemhalmazok Asszociációs és döntési szabályok. Szegedi Tudományegyetem. Vásárlói kosarak Gyakori elemhalmazok FP-growth
Asszociációs és döntési szabályok Szegedi Tudományegyetem Mire megyünk a gyakori elemhalmazokkal? A különféle adatbázisokban gyakran együttesen előforduló jellemzők ismerete hasznos lehet Mit kezd vele
RészletesebbenA spontán beszéd kísérőjelenségei
2013. április 25. A spontán beszéd kísérőjelenségei Neuberger Tilda Fonetikai Osztály A beszéd antropofonikus elmélete A beszéd biológiai alapja: azonos hangképző apparátus (Laver 1994) Elsődlegesen nem
RészletesebbenValószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.
Valószín ségszámítás Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes agnes@cs.elte.hu 2018/2019. szi félév A valószín ségszámítás kurzus céljai a statisztika megalapozása: a véletlen
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Hash tábla A bináris fáknál O(log n) a legjobb eset a keresésre. Ha valamilyen közvetlen címzést használunk, akkor akár O(1) is elérhető. A hash tábla a tömb általánosításaként
RészletesebbenStatisztikai csalások és paradoxonok. Matematikai statisztika Gazdaságinformatikus MSc november 26. 1/31
Matematikai statisztika Gazdaságinformatikus MSc 11. előadás 2018. november 26. 1/31 A tojást rakó kutya - a könyv Hans Peter Beck-Bernholdt, Hans-Hermann Dubben: A tojást rakó kutya c. könyve alapján
RészletesebbenVérsejtszámlálás. Bürker kamra
1. Vérsejtszámlálás Eszközök ujjbegy fertőtlenítéshez spray steril, egyszer használatos injekciós tű/ ujjbegyszúró gumikesztyű vatta (vér törlése ujjbegyről) keverőpipetta (piros 1:100 és fehér golyós
RészletesebbenIntelligens 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
RészletesebbenA Mazsola KORPUSZLEKÉRDEZŐ
A Mazsola KORPUSZLEKÉRDEZŐ Sass Bálint sass.balint@nytud.mta.hu MTA Nyelvtudományi Intézet PPKE ITK Eötvös Collegium Budapest, 2012. április 27. 1 / 34 1 HÁTTÉR 2 HASZNÁLAT 3 MIRE JÓ? 4 PÉLDÁK 2 / 34 1
RészletesebbenALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!
A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:
RészletesebbenProgramozás I. zárthelyi dolgozat
Programozás I. zárthelyi dolgozat 2013. november 11. 2-es szint: Laptopot szeretnénk vásárolni, ezért írunk egy programot, amelynek megadjuk a lehetséges laptopok adatait. A laptopok árát, memória méretét
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenVéletlen gráfok. Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet december 2.
Véletlen gráfok Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet agnes@cs.elte.hu 2015. december 2. Nagy hálózatok Példák valós hálózatokra társadalmi hálózatok
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:
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.):
RészletesebbenMATEMATIKA 5 8. ALAPELVEK, CÉLOK
MATEMATIKA 5 8. ALAPELVEK, CÉLOK Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről.
RészletesebbenKérdésfelvetés Alapmódszer Finomítás További lehetőségek. Sass Bálint
ÉLŐ VAGY ÉLETTELEN? Sass Bálint joker@nytud.hu MTA Nyelvtudományi Intézet, Nyelvtechnológiai Osztály PPKE, Információs Technológiai Kar, MMT Doktori Iskola MSZNY2007 Szeged, 2007. december 6 7. 1 KÉRDÉSFELVETÉS
Részletesebben1. Bevezet példák, síbérlés
Gyakorlatokhoz emlékeztet 1. Bevezet példák, síbérlés 1.1. Feladat Adott egy parkoló, ahol egy professzor a kocsiját tartja. A parkolóhelyeket egy n és n közötti szám azonosítja, az azonosító szerint helyezkednek
Részletesebben0653. MODUL TÖRTEK. Szorzás törttel, osztás törttel KÉSZÍTETTE: BENCZÉDY LACZKA KRISZTINA, MALMOS KATALIN
06. MODUL TÖRTEK Szorzás törttel, osztás törttel KÉSZÍTETTE: BENCZÉDY LACZKA KRISZTINA, MALMOS KATALIN 06. Törtek Szorzás törttel, osztás törttel Tanári útmutató MODULLEÍRÁS A modul célja Időkeret Ajánlott
RészletesebbenKeresés és rendezés. A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán
Keresés Rendezés Feladat Keresés és rendezés A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán 2016. november 7. Farkas B., Fiala
RészletesebbenAz első számjegyek Benford törvénye
Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi
RészletesebbenAdatszerkezetek 1. előadás
Adatszerkezetek 1. előadás Irodalom: Lipschutz: Adatszerkezetek Morvay, Sebők: Számítógépes adatkezelés Cormen, Leiserson, Rives, Stein: Új algoritmusok http://it.inf.unideb.hu/~halasz http://it.inf.unideb.hu/adatszerk
RészletesebbenSAVARIAI ISEUM TERÜLETÉN ELŐKERÜLT EGYIPTOMI KÉK PIGMENT LABDACSOK ÉS FESTÉKMARADVÁNYOK OPTIKAI MIKROSZKÓPOS VIZSGÁLATA HARSÁNYI ESZTER
FÜGGELÉK I. 291 292 SAVARIAI ISEUM TERÜLETÉN ELŐKERÜLT EGYIPTOMI KÉK PIGMENT LABDACSOK ÉS FESTÉKMARADVÁNYOK OPTIKAI MIKROSZKÓPOS VIZSGÁLATA HARSÁNYI ESZTER 2016 293 Pigment labdacsok és festékmaradványok
RészletesebbenValószín ségszámítás és statisztika Gyakorlat (Statisztika alapjai)
Gyakorlat (Statisztika alapjai) 2018. december 2. Statisztika alapjai 1 A mérnökinformatikus hallgatók zárthelyi dolgozatot írtak, ahol a maximális pontszám 50 pont volt. Véletlenszer en megnéztük 5 hallgató
RészletesebbenStatisztikai módszerek 7. gyakorlat
Statisztikai módszerek 7. gyakorlat A tanult nem paraméteres próbák: PRÓBA NEVE Illeszkedés-vizsgálat Χ 2 próbával Homogenitás-vizsgálat Χ 2 próbával Normalitás-vizsgálataΧ 2 próbával MIRE SZOLGÁL? A val.-i
RészletesebbenSzövegértés évfolyam
Szövegértés 9-12. évfolyam Az előadás menete 1. 2. 3. 4. Néhány gondolat a kompetenciamérésről A bemeneti mérés tapasztalatai Mit jelent a szövegértés? Melyek a szövegértést és a szövegalkotást fejlesztő
RészletesebbenPopulációbecslés és monitoring. Eloszlások és alapstatisztikák
Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk
RészletesebbenA szülők pedagógiai érdeklődésének vizsgálata és annak andragógiai tanulságai
Apor Vilmos Katolikus Főiskola 2600 Vác, Konstantin tér 1-5. Krisztina Felnőttképzési és Szakképzési Központ A szülők pedagógiai érdeklődésének vizsgálata és annak andragógiai tanulságai Konzulens: Dr.
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenA foglalkoztatást előseg. Fejér Megyei Kormányhivatal Munkaügyi Központja Székesfehérvár, 2011. március
A foglalkoztatást előseg segítő aktív v munkaerő-piaci eszközök, k, támogatt mogatások Fejér Megyei Kormányhivatal Munkaügyi Központja Székesfehérvár, 2011. március Munkaadó számára nyújtható támogatások
RészletesebbenLineáris egyenletrendszerek
Lineáris egyenletrendszerek 1 Alapfogalmak 1 Deníció Egy m egyenletb l álló, n-ismeretlenes lineáris egyenletrendszer általános alakja: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenGyakornoki program pályakezdők támogatására
Gyakornoki program pályakezdők ára Pályázat kódja Keretösszeg Támogatási összeg GINOP-5.2.4-16 15 milliárd Ft 1,9 30 millió Ft Intenzitás maximum Pályázók köre Területi szűkítés Beadás kezdete 2016. augusztus
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
RészletesebbenGY.I.K. Kérdések és válaszok a távirányítókkal kapcsolatban
GY.I.K. Kérdések és válaszok a távirányítókkal kapcsolatban A kiadvány felelőse: Hörmann Hungária Kft 2310 Szigetszentmiklós, Leshegy u. 15 www.hormann.hu Tartalom 1. Milyen küldési frekvenciát használ
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
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
RészletesebbenA 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
RészletesebbenAPI-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE. Előadó: Jaksa Zsombor, drungli.com
API-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE Előadó: Jaksa Zsombor, drungli.com MIRŐL FOG SZÓLNI AZ ELŐADÁS? Hogyan működik a drungli.com?# Adatok gyűjtése, stratégiák# Ha marad időm még mesélek HOGYAN MŰKÖDIK
Részletesebben2013.03.11. Az SPC alapjai. Az SPC alapjai SPC 5. 5. Az SPC (Statistic Process Control) módszer. Dr. Illés Balázs
SPC 5 5. Az SPC (Statistic Process Control) módszer Dr. Illés Balázs BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM ELEKTRONIKAI TECHNOLÓGIA TANSZÉK Az SPC alapjai SPC (Statistical Process Controll) =
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenMATEMATIKA ÉRETTSÉGI VIZSGA ÁLTALÁNOS KÖVETELMÉNYEI
A vizsga formája Középszinten: írásbeli. Emelt szinten: írásbeli és szóbeli. MATEMATIKA ÉRETTSÉGI VIZSGA ÁLTALÁNOS KÖVETELMÉNYEI A matematika érettségi vizsga célja A matematika érettségi vizsga célja
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,
RészletesebbenMutatók és mutató-aritmetika C-ben március 19.
Mutatók és mutató-aritmetika C-ben 2018 március 19 Memória a Neumann-architektúrában Neumann-architektúra: a memória egységes a címzéshez a természetes számokat használjuk Ugyanabban a memóriában van:
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
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
Részletesebben