Mohaismeret 13. A közösségi ökológiai vizsgálatok alapkérdései, módszerei
|
|
- Zalán Szilágyi
- 7 évvel ezelőtt
- Látták:
Átírás
1 Mohaismeret 13. A közösségi ökológiai vizsgálatok alapkérdései, módszerei Célok 1. Közösségek leírása, fajcsoportok elkülönítése, tömegviszonyok, mintázatok elemzése 2. Közösség összetételének ill. szerkezetének környezeti háttértényezőktől való függése 3. Közösségek elemzése a fajokhoz rendelt funkcionális attribútumok alapján 4. Közösségekben zajló dinamikai folyamatok kicsik Mohavegetáció közösségi vizsgálatának fő korlátai fragmentáltan jelennek meg a társulásokban sajátos aljzatviszonyokhoz kötődnek alacsony biomassza az edényes közösségen belül nincs gazdasági jelentőségük Ódor Péter Mohaismeret
2 Mohaközösségek leírása Mintavétel Alapvetően hasonló elvi mintavételi megfontolások, mint az edényes vegetáció leírása esetében. milyen csoportok kerüljenek a mintába nem jellemző egyedek felismerése Speciális problémák a vegetáció sajátos mikrotopográfiai felszínen jelenik meg mintavételi egység méretének megválasztása nehéz, háttértényezők heterogenitásának léptéke általában jóval kisebb, mint a közösség minimum áreája Ódor Péter Mohaismeret
3 Mohaközösségek leírása Mintavétel Sziklai vegetáció Gond a felszín irregularitása, ami nem csak kihelyezési probléma, hanem a finom mikrotopográfia élőhelymozaikot teremt. Sokszor nagyon alacsony a borítás, sok üres minta. Megoldás a nagyon piciny kvadrátméret, vagy nagyobb kvadráton belül lokális frekvencia felvétele. Nem kvadrát alapú pontszerű mintavétel: hálómetszespont esetében regisztrálják a fajt, valamint a legközelebbi fajt asszociáltság elemzéséhez. Ha a borítás alacsony és a mintázat finom (pl. sok pici gyep) akkor a borításnál használhatóbb adat a lokális frekvencia. A denzitásborítás összefüggés acrocarpoknál jobb, mint pleurocarpoknál. A fényképezés alapú módszerek kevéssé használhatóak. Ódor Péter Mohaismeret
4 Mohaközösségek leírása Mintavétel Epifiton vegetáció Elkülönítik a mintavételi eljárásoknál a fatörzs magassági zónáit. A mintavételi egységek hengerpalástként jelennek meg. A mintavétel függ attól, hogy a kitettség hatását vizsgáljuk, vagy hatását pont ki akarjuk iktatni. A függőleges zonáció mértéke függ a faállomány méretétől (kisebb fáknál kevésbé kifejezett), ezért nagyon nehéz különböző faméretű állományokat összehasonlítani. Tömegesség becslési módszerek: mérőszalag pontjainál számolom körben a faj előfordulásokat (lokális frekvencia), kvadrátban rácspontok alapján számolok lokális frekvenciát, borítás mérés, borítás becslés. Ódor Péter Mohaismeret
5 Mohaközösségek leírása Fitoszociológiai (klasszikus cönológiai) megközelítés Alapelvek assziciáció: törvényszerűen ismétlődő, állandó megjelenésű, állandó faji összetételű, meghatározott környezeti igényű növénytársulás (etum) Assziciációk hierachikusan csoportosíthatók: csoport (ion), sorozat (etalia), osztály (etea), divízió (ea) A szintekhez elsősorban konstancia (előfordulás állandósága a felvételekben) karakter ill. differenciális fajok rendelhetők. Ódor Péter Mohaismeret
6 Első megközelítés: Mohaközösségek leírása Fitoszociológiai (klasszikus cönológiai) megközelítés A mohákat mohaszintként kezelik a társulások általános leírása során Jól használható, ha a mohák a talajon, szintet alkotva jelennek meg, nagy tömegben (pl. magashegységi lucosok, erdeifenyvesek, lápok), kevésbé használják, ha a mohagyepek főleg speciális aljzatokon jelenek meg, amik előfordulása a társulásban esetleges (epifiton vegetáció, sziklai mohavegetáció, korhadó fák mohagyepjei). Technikai korlát, hogy a cönológusok között kevés a mohász. Klasszikus cönológiai tabellákban használt moha adatok reprezentativitása kérdéses (személy, társulás függő). Ódor Péter Mohaismeret
7 Második megközelítés: Mohaközösségek leírása Fitoszociológiai (klasszikus cönológiai) megközelítés Mohagyepek (mohazuzmó gyepek) önálló vegetációs egységként történő leírása Igen sok cikk, főleg Európára nézve teljes feltártság, több monográfia (moha, mohazuzmó asszociációk). Csak homogén közösségeket választ ki, átmenteket ignorál (egy kontinuumból csak a noduszokat írja le) A csoportok kialakítása szubjektív Nehezen rendelhetők háttértényezők a közösségekhez Nehéz sokszor az edényes és moha asszociációk egymáshoz rendelése Sokszor önmagáért való klasszifikációt eredményez Bár a mintavétel szubjektív sok próbálkozás van arra, hogy ennek ellenére objektív statisztikai módszerekkel elemezzék a leírt közösségek egymástól való távolságát, valamint a fajok affinitását a közösségekhez Ódor Péter Mohaismeret
8 Mohaközösségek leírása Fitoszociológiai (klasszikus cönológiai) megközelítés Főbb asszociáció osztályok (etea) és sorozatok (etalia) Marstaller (1993) alapján. 1. O: Platyhypnidio Fontinalietea antipyreticae 1. S: Brachythecietalia plumosi (2 csoport, 8 asszociáció) 2. S: Leptodyctietalia riparii (5 csoport, 12 asszociáció) 2. O: Ceratodonto Polytrichetea piliferi 1. S: Polytrichetalia piliferi (2 csoport, 5 asszociáció) 3. O: Racomitrietea heterostichi 1. S: Grimmietalia commutatae (8 csoport, 15 asszociáció) 4. O: Cladonio Lepidozietea reptantis 1. S: Grimmietalia hartmanii (1 csoport, 1 asszociáció) 2. S: Diplophylletalia albicantis (11 csoport, 38 asszociáció) 3. S: Cladonio Lepidozietalia reptantis (2 csoport, 15 asszociáció) 4. S: Brachythecietalia rutabulo salebrosi (1 csoport, 7 asszociáció) 5. S: Dicranetalia scoparii (2 csoport, 7 asszociáció) 6. S: Dicranellattalia cerviculatae (1 csoport, 1 asszociáció) 5. O: Barbuletea unguiculateae 1. S: Barbuletalia unguiculatae (6 csoport, 21 asszociáció) 2. S: Tortulo brevissimae Aloinetalia bifrontis 3. S: Funarietalia hygrometricae (2 csoport, 5 asszociáció) 6. O: Splachnetea 1. S: Splachnetalia (1 csoport, 3 asszociáció) 7. O: Grimmietea anodontis 1. S: Grimmietalia anodontis (2 csoport, 11 asszociáció) 2. S: Ctenidietalia mollusci (3 csoport, 9 asszociáció) 8. O: Neckeretea complanatae 1. S: Neckeretalia complanatae (6 csoport, 26 asszociáció) 2. S: Antitrichietalia curtipendulae (2 csoport, 2 asszociáció) 9. O: Frullanio dilatatae Leucodontetea sciuroidis 1. S: Ortotrichetalia (5 csoport, 20 asszociáció) 2. S: Frullanio tenerifae Leucodontetalia canariensis 10. O: Hylocomietea splendentis 1. S: Hylocomietalia splendentis (2 csoport, 8 asszociáció) Ódor Péter Mohaismeret
9 Mohaközösségek leírása Kvantitatív megközelítések Fajcsoportok keresése a fajok közötti asszociáltságok elemzésével A fajok koegzisztenciájának véletlenszerűségét vizsgálják, statisztikai eljárás az adattípustól függ: bináris adatok függetlenség vizsgálat (chi2, egyéb függvények) Intervallum adatok korreláció elemzés Problémák: Sok faj esetében a kapcsolatok összetetté, ellentmondásossá válhatnak, megjelenítés egyre nehezebb. Fajszám növekedésével egyre nagyobb a valószínűsége a véletlen asszociációknak. Nehéz kezelni a negatív asszociációkat. Asszociáltságokat a gyakoriság viszonyok befolyásolják. Jelentősen befolyásolja a kvadrátméret az asszociáltságot, pozitív kapcsolatnál is túl kicsi méret negatív, túl nagy nulla asszociáltságot mutat (feloldás: elővizsgálatokat, "plot less" mintavételi eljárások). Megjelenítés: gráf, mátrix Ódor Péter Mohaismeret
10 Mátrix megjelenítés Ódor Péter Mohaismeret
11 Gráf megjelenítés Fajok közötti negatív (vékony) és pozitív (vastag) asszociáltságok, asszociátum függvény és Monte Carlo szimuláció alapján, a Kékes Észak Erdőrezervátumban egy szisztematikus mintavétel során, mintavételi egység mérete 100 cm 2 (Ódor and Standovár 2002). A fajkódokhoz rendelt betűk az aljzattípusokhoz rendelt asszociáltságokat jelzik (Rszikla, Wkorhadó fa). Ódor Péter Mohaismeret
12 Mohaközösségek leírása Kvantitatív megközelítések Fajcsoportok keresése numerikus klasszifikációs módszerekkel Elvi alapok Objektumok között távolságok képezhetők több változó alapján, ami alapján azok csoportosíthatók. A fajok és a minták egyaránt lehetnek objektumok és változók (kérdés függő). Az osztályozó algoritmusok lehetnek: agglomeratívak: a legkisebb távolságok alapján csoportokat képzek, amit újabb összevonások követnek. divizívek: a sokaságot adott számú csoportra osztom, minimalizálva a csoportokon belüli és maximalizálva a csoportok közötti heterogenitást Megjelenítés Dendrogramm illetve osztályozott mátrix formájában Probléma Csoportosítás távolságfüggvény és algoritmus függő (megoldás: több módszerből konszenzus képzése). Valóságban nem létező csoportosulások képződhetnek. Gradiensek elmosódhatnak. Eredményt a gyakoriság viszonyok befolyásolják. Ódor Péter Mohaismeret
13 Dendrogramm megjelenítés Mohafajok osztályozása a Kékes Észak Erdőrezervátumban egy szisztematikus mintavétel során, mintavételi egység mérete 100 cm 2 (Ódor and Standovár 2002). A fajkódokhoz rendelt betűk az aljzattípusokhoz rendelt asszociáltságokat jelzik (Rszikla, Wkorhadó fa). Ódor Péter Mohaismeret
14 Mohaközösségek összetételének és környezeti háttértényezőknek összefüggés elemzése Egyváltozós módszerek A fajok közötti asszociáltságokat feltáró módszerek (függetlenség vizsgálat, korreláció elemzés) fajok különböző skálákon mért adatai és háttérváltozó adatok közötti összefüggések elemzésére is használhatók. Az elvi alapok és korlátok megegyeznek az asszociáltságoknál bemutatottakkal. Ódor Péter Mohaismeret
15 Mohaközösségek összetételének és környezeti háttértényezőknek összefüggés elemzése Többszörös regresszió Egy biológiai függő változó függvénykapcsolata több háttérváltozóval, és az egyes háttérváltozók jelentőségének megállapítása. Modellezésre ad lehetőséget. Fontos szempont, hogy a függő változó varianciáját milyen mértékben fedi le a függvénykapcsolat, ez növelhető transzformációkkal, interakciók és polinomiális tagok bevonásával, de ez a függvény interpretációját nehezíti. Regresszió akkor sikeres, ha: A függő változó folytonos, nagy varianciát mutat, ritkán vesz fel 0 értéket a mintákban, normális eloszlású. A lényeges és minimális háttérváltozót tartalmazza a függvény, a háttérváltozók egymással kevéssé korrelálnak. Ódor Péter Mohaismeret
16 Mohaközösségek összetételének és környezeti háttértényezőknek összefüggés elemzése Többszörös regresszió példa (Ódor et al. 2004) Függő változó: korhadó fán megjelenő mohák fajszáma Háttér változók: ország (faktor, 5), korhadási fázis (faktor, 6), átmérő (arány skála) Model építés: A teljes modelből (összes interakció figyelembe vétele) fokozatos lebontása, a lebontás során az model által nem magyarázott variancia (error) növekedését mérem. Ódor Péter Mohaismeret
17 steps SS e DF e MS e dss e ddf e dms e F p without regression full model *** DBH.DS.COUNTRY n.s DBH.DS n.s. DBH.COUNTRY ** DS.COUNTRY n.s. all interaction DS *** DBH *** COUNTRY *** Ódor Péter Mohaismeret
18 Mohaközösségek összetételének és környezeti háttértényezőknek összefüggés elemzése Többszörös regresszió példa (Ódor et al. 2004) Predikció a model alapján Ódor Péter Mohaismeret
19 Mohaközösségek összetételének és környezeti háttértényezőknek összefüggés elemzése Indirekt Ordináció A tengelyeket a fajok, ill. a felvételek lineáris kombinációjával állítom elő, lefedve a maximális varianciát. A tengelyek biológiai magyarázatához a tengelyek és valós háttérváltozók közötti összefüggések feltárása szükséges (többnyire korreláció elemzés). Példa Korhadó fán megjelenő mohaközösségek esetén mik a legfontosabb háttérváltozók 5 országból (Szlovénia, Magyarország, Dánia, Belgium, Hollandia) származó minták esetében. Presencia/absencia adatok, kb fa, korreszpondencia elemzés (Ódor et al. 2004). Ódor Péter Mohaismeret
20 Indirekt Ordináció Ódor Péter Mohaismeret
21 Indirekt Ordináció Ódor Péter Mohaismeret
22 Indirekt Ordináció Ódor Péter Mohaismeret
23 Indirekt Ordináció DCA1 DCA2 Variable Type χ 2 df R s N p χ 2 df R s N p COUNTRY nominal (5) *** *** SITE nominal (19) *** *** DS ordinal (6) * *** DBH intervall *** n.s. GAP nominal (2) *** ** BARK intervall n.s *** SOIL intervall *** *** Ódor Péter Mohaismeret
24 Mohaközösségek összetételének és környezeti háttértényezőknek összefüggés elemzése Direkt ordináció A tengelyeket közvetlenül a mintákból származó háttérváltozók lineáris kombinációjával állítom elő, közvetlen interpretációs lehetőség, de az ára a variancia rosszabb hatásfokú lefedése. Példa A bükki Őserdőből és a Kékes Észak Erdőrezervátumból származó holt fákon regisztrált bináris moha és edényes adatok kanonikus korreszpondencia elemzése. Ódor Péter Mohaismeret
25 Direkt ordináció Ódor Péter Mohaismeret
26 Direkt ordináció Ódor Péter Mohaismeret
27 Dinamikai vizsgálatok Korhadó fák mohaközösségének időbeli nyomonkövetése túlélés új megtelepedés kihalás klonális növekedés ORTSTR METFUR HOMSER HOMBES RHIPUN PTEFIL PSENER PLAREP PLACUS LOPHET HYPCUP HERSEL BRYFLA BRAVEL BRASAL BRARUT AMBSER kéreg kéreg
28 A borítás évenkénti változásai Cover % a 818b Fa kódja Korhadási fázis
29 Szukcesszió mechanizmusa relative colonization cover (unit) relative extinction cover (unit) relative survival A szukcesszió nem az intakt mohagyepben zajlik, hanem a bolygatásokat követő regeneráció során valósul meg cover (unit)
30 Mohaközösségek elemzése fajokhoz rendelt funkcionális sajátságok alapján Az elemzések alapját nem a fajok, hanem a fajokhoz rendelt kategóriák képezik. Célja: Florisztikailag eltérő közösségek egyéb szempontok szerinti összehasonlítása Vegetációban bekövetkező változások értelmezése Fontosabb kategória rendszerek: Stratégia típusok (F, C, AS, SL, LS, PS) Növekedési formák Flóraelemek (áreatípusok) Fajokhoz tapasztalatilag rendelt relatív ökológiai mutatószámok (klíma, fény, nedvesség, talajreakció) Cönológiai preferenciák Ódor Péter Mohaismeret
31 Mohaközösségek elemzése fajokhoz rendelt funkcionális sajátságok alapján Növekedési formák 1. egyéves (annuals, einjährige) 2. alacsony gyep (short turfs, Kurzrasen) 3. magas gyep (tall turf, Hochrasen) 4. párna (cushions, Polster) 5. bevonat (mats, Decken) 6. szövedék (wefts, Filze) 7. lecsüngő (pendant, Gehänge) 8. farok (tails, Schweife) 9. legyező (fan, Wedel) 10. faszerű (dendroid, Bäumchen) Ódor Péter Mohaismeret
32 Mohaközösségek elemzése fajokhoz rendelt funkcionális sajátságok alapján Növekedési formák Ódor Péter Mohaismeret
33 Állandó mintanégyzetek nem florisztikai elemzése különböző élőhelytípusok esetében (NBmR moha élőhelymonitoring) Az elemzések során használt ökológiai indikátor értékek W érték (Zólyomi és Précsényi 1964, Orbán 1984) kategóriái: 1 (száraz) 11 (vízi) Flóraelem (Düll 1983, 1984, 1985, 1992) 1. med: submed (szubmediterrán)+suboc (szubatlantikus)+med (mediterrán)+oc (atlantikus) 2. temp: temp (Európa mérsékelt éghajlatú területei) 3. kont: subkont (szubkontinentális)+kont (kontinentális) 4. bor: subbor (szubboreális)+bor (boreális)+mont (hegyvidéki) 5. cosm: cosm (kozmopolita) Életmenet stratégia (During 1979, 1992, Orbán 1984)
34 Módszerek Az elemzések során használt ökológiai indikátor értékek 2. Életmenet stratégia típusok Potenciális élettartam (év) Sok, kis méret (<20 µm) < 1 F átfutó néhány sok C kolonista P évelő Spórák Kevés, nagy méret (>20 µm) AS egyéves vándorló SL rövid életű vándorló LS hosszú életű vándorló Élőhely fennállása/ stabilitása rövid ideig/ instabil néhány évig/ instabil sok évig/ stabil
35 Különböző típusú száraz gyepek összehasonlítása Flóraelem kategóriák megoszlása 100% flóraelem (% ) 80% 60% 40% bor temp kont med 20% 0% nyílt gyepek zárt gyepek homoki gyepek élőhely típusok
36 Különböző élőhelyek mohavegetációjának összehasonlítása W értékek megoszlása W értékek (%) 100% 80% 60% 40% 20% 0% vizes élőhelyek száraz gyepek szikesek élőhelyek
37 Különböző típusú száraz gyepek összehasonlítása W értékek megoszlása W értékek (%) 100% 80% 60% 40% 20% % nyílt gyepek zárt gyepek homoki gyepek élőhely típusok 10 11
38 Különböző élőhelyek mohavegetációjának összehasonlítása Életstratégia típusok megoszlása 100% stratégia (%) 80% 60% 40% 20% P LS SL C AS F 0% vizes élőhelyek száraz gyepek szikesek élőhelyek
39 Különböző típusú száraz gyepek összehasonlítása Életstratégia típusok megoszlása 100% 80% stratégia (% ) 60% 40% 20% P LS SL C AS F 0% nyílt gyepek zárt gyepek homoki gyepek élőhely típusok
40 Szikes puszta mohaközösségének változása (Apaj) Mintavétel éve Fajszám Rekordok száma ,04±1,46 4,96±1,54 5,16±2,32 6,48±2,65 4,32±1,60 3,08±1,19 3,20±1,
41
42 W értékek megoszlása 100% 80% 60% 40% 20% %
43 Életmenet stratégiatípusok megoszlása 100% 80% 60% 40% 20% P SL C AS F 0%
A holtfa folyamatos jelenlétének szerepe az erdei életközösségekben
A holtfa folyamatos jelenlétének szerepe az erdei életközösségekben Ódor Péter ELTE Növényrendszertani és Ökológiai Tanszék Természetközeli és gazdasági erdık különbségei Természetközeli és gazdasági erdık
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
RészletesebbenMennyire határozza meg az erdők faállománya az erdei élővilágot? Ódor Péter MTA Ökológiai és Botanikai Kutatóintézete
Mennyire határozza meg az erdők faállománya az erdei élővilágot? Ódor Péter MTA Ökológiai és Botanikai Kutatóintézete Szent László Gimnázium Természettudományos Önképzőkör 2011. november 17. Ökológiai
RészletesebbenSegítség 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
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
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
RészletesebbenHosszú távú vizsgálat jobban kimutatja a társulási szabályok változásait a másodlagos szukcesszió során, mint a tér-idő helyettesítés módszere
Hosszú távú vizsgálat jobban kimutatja a társulási szabályok változásait a másodlagos szukcesszió során, mint a tér-idő helyettesítés módszere Anikó Csecserits, Melinda Halassy, Barbara Lhotsky, Tamás
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
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
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
RészletesebbenA faállomány és különbözı erdei élılénycsoportok kapcsolata az ırségi erdıkben
A faállomány és különbözı erdei élılénycsoportok kapcsolata az ırségi erdıkben Ódor Péter 1, Márialigeti Sára 1, Mag Zsuzsa 1, Király Ildikó 1 és Tinya Flóra 2 1 ELTE Növényrendszertani és Ökológiai Tanszék,
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
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
RészletesebbenMINTAVÉTELEZÉS. Alaptípusai: sampling. véletlen érvényesítésére v. mellőzzük azt. = preferenciális mintav. = véletlen mintav.
A teljes alapsokaságot nem ismerhetjük meg. MINTAVÉTELEZÉS Fontossága: minden későbbi értékelés ezen alapszik. Alaptípusai: Szubjektív folyamat Objektív folyamat (non-probabilistic) (probabilistic) sampling
RészletesebbenVéleménypolarizáció és választási részvétel. Kmetty Zoltán MTA- ELTE- PERIPATO
Véleménypolarizáció és választási részvétel Kmetty Zoltán MTA- ELTE- PERIPATO Tartalom Problémafelvetés Magyarázati sémák Indikátorok, modellek Eredmények Választási verseny és részvétel összefüggése Kistelepülések
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
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
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenÉlőhelyvédelem. Kutatások
Élőhelyvédelem Kutatások Célkitűzések A hazai természetközeli növényzet mai állapotának pontos megismerése, teljes körű felmérése, természetes növényzeti örökségünk tudományos értékelése. Az ország nagy
RészletesebbenKémiai reakciók mechanizmusa számítógépes szimulációval
Kémiai reakciók mechanizmusa számítógépes szimulációval Stirling András stirling@chemres.hu Elméleti Kémiai Osztály Budapest Stirling A. (MTA Kémiai Kutatóközpont) Reakciómechanizmus szimulációból 2007.
RészletesebbenCél: A védett fajok állapotának nyomon követése, a nemzetközi adatszolgáltatási kötelezettség kielégítése (egyezmények, OECD)
2007-07-25 Mohafajok monitorozása I. PROJEKT. Védett és veszélyeztetett fajok megfigyelése Cél: A védett fajok állapotának nyomon követése, a nemzetközi adatszolgáltatási kötelezettség kielégítése (egyezmények,
RészletesebbenSTATISZTIKA 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
RészletesebbenMinitab 16 újdonságai május 18
Minitab 16 újdonságai 2010. május 18 Minitab 16 köszöntése! A Minitab statisztikai szoftver új verziója több mint hetven újdonságot tartalmaz beleértve az erősebb statisztikai képességet, egy új menüt
RészletesebbenA 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
Részletesebben3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
Biostatisztika = Biometria = Orvosi statisztika Biomatematika 2. előadás Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések
RészletesebbenBiomatematika 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)
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenI. A holt faanyag jelentősége természetközeli bükkösöken
Szakmai beszámoló Ódor Péter zárójelentéséhez Pályázat száma: D46045 Típusa: OTKA Posztdoktori Ösztöndíj Pályázat Címe: Mohaökológiai és erdőökológai vizsgálatok Futamidő: 2003. 10. 01. 2006. 09. 30. Vezető
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
RészletesebbenEgy élőhelyen azok a populációk élhetnek egymás mellett, amelyeknek hasonlóak a környezeti igényeik. A populációk elterjedését alapvetően az
Társulás fogalma Egy adott helyen egy időben létező, együtt élő és összehangoltan működő növény- és állatpopulációk együttese. Az életközösségek többféle növény- és többféle állatpopulációból állnak. A
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
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenSTATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
RészletesebbenDiszkriminancia-analízis
Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független
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
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenAz ökológia alapjai. Diverzitás és stabilitás
Az ökológia alapjai Diverzitás és stabilitás Diverzitás = sokféleség, változatosság a sokféleség kvantitatív megjelenítése biodiverzitás: a biológiai változatosság matematikai (kvantitatív) megjelenítése
RészletesebbenDöntési 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
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
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
RészletesebbenTERMÉSZETVÉDELMI MÉRNÖK MSc. ZÁRÓVIZSGA TÉMAKÖRÖK június 12. NAPPALI, LEVELEZŐ
TERMÉSZETVÉDELMI MÉRNÖK MSc ZÁRÓVIZSGA TÉMAKÖRÖK 2017. június 12. NAPPALI, LEVELEZŐ Természetvédelmi mérnök MSc szak Záróvizsga A tételsor: Az ökoszisztémák csoportosítása. Az ökológiai rendszerek változása
RészletesebbenA 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
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenErdészeti fahasználatok termőhelyre, felújulásra és biodiverzitásra gyakorolt hatásának kísérletes vizsgálata
Erdészeti fahasználatok termőhelyre, felújulásra és biodiverzitásra gyakorolt hatásának kísérletes vizsgálata a Pilisi Kísérlet bemutatása Kovács Bence Sárvár, 2016. szeptember 7. MTA ÖK Erdőökológiai
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
RészletesebbenRegresszió. 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
RészletesebbenMinőségi változók. 2. előadás
Minőségi változók Növényökológiai módszerek 2. előadás Ki mit vizsgál? A kutatók a vegetációt szakterületüknek megfelelően szemlélik: Növényökológus és cönológus: A vegetáció fajösszetétele és tömegességi
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
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:
RészletesebbenTerületi 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
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
RészletesebbenTerepi módszerek a növényökológiában és cönológiában
Terepi módszerek a növényökológiában és cönológiában Tárgyleírás: A tárgy célja, hogy néhány típusfeladaton keresztül bemutassa a terepi növényökológiában leggyakrabban vizsgált problémákat (kérdéstípusokat),
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
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,
RészletesebbenFaktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Feladat Megnyitás: faktor.sav Fogyasztók materialista vonásai (Richins-skála) Forrás: Sajtos-Mitev, 250.oldal Faktoranalízis
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
Részletesebben[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)
RészletesebbenAz SPC (statisztikai folyamatszabályozás) ingadozásai
A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
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
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenTermészetvédelmi tervezést támogató erdőállapot-felmérési program: célok, választott módszerek, minőségbiztosítás
Természetvédelmi tervezést támogató erdőállapot-felmérési program: célok, választott módszerek, minőségbiztosítás Standovár Tibor¹, Kelemen Kristóf¹, Kovács Bence¹, Kozák Csaba², Pataki Zsolt³ és Szmorad
RészletesebbenA bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:
A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,
RészletesebbenMiért van egyes közösségekben több faj és másokban kevesebb? Vannak-e mintázatok és gradiensek a fajgazdagságban? Ha igen, ezeket mi okozza?
Fajgazdagság Miért van egyes közösségekben több faj és másokban kevesebb? Vannak-e mintázatok és gradiensek a fajgazdagságban? Ha igen, ezeket mi okozza? biodiverzitás a természet változatosságának leírására
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenSTATISZTIKA 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
RészletesebbenA növények természetrajza A növények okai 10, ill. 8 kötetben (9, ill. 6 maradt)
2 Theophrasztosz (Kr.e. 371-287) a Botanika atyja A növények természetrajza A növények okai 10, ill. 8 kötetben (9, ill. 6 maradt) Növények osztályozása: felhasználás, előforduás, méret, szaporodás. fák,
RészletesebbenTávérzékelés, a jöv ígéretes eszköze
Távérzékelés, a jöv ígéretes eszköze Ritvayné Szomolányi Mária Frombach Gabriella VITUKI CONSULT Zrt. A távérzékelés segítségével: különböz6 magasságból, tetsz6leges id6ben és a kívánt hullámhossz tartományokban
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet
Klaszteranalízis Hasonló dolgok csoportosítását jelenti, gyakorlatilag az osztályozás szinonimájaként értelmezhetjük. A klaszteranalízis célja A klaszteranalízis alapvető célja, hogy a megfigyelési egységeket
RészletesebbenKutatástervezés a tá vege ciót d u á om nyban Terresztris ökológia
Kutatástervezés a vegetációtudományban á Terresztris ökológia Ki mit vizsgál? A kutatók a vegetációt szakterületüknek megfelelően szemlélik: Növényökológus és cönológus: A vegetáció fajösszetétele és tömegességi
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenA mintavételezés tervezése. 1. előadás
A mintavételezés tervezése Növényökológia Módszerek I 1. előadás A mintavételezés é és tervezés Minden ökológiai kutatás alapja a mintavételezés é Ha elrontottuk nincs olyan elemzés amivel ez jóvátehető
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Faktoranalízis előadás. Kvantitatív statisztikai módszerek
Faktoranalízis 6.-7. előadás Kvantitatív statisztikai módszerek Faktoranalízis Olyan többváltozós statisztikai módszer, amely adattömörítésre, a változók számának csökkentésére, az adatstruktúra feltárására
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
RészletesebbenStatisztika 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,
RészletesebbenMagyarország növényvilága. Tóth Zoltán Déli Tömb VII. emelet szoba /1718 mellék
Magyarország növényvilága Tóth Zoltán Déli Tömb VII. emelet 7-608 szoba 20-90-555/1718 mellék tothz9@ludens.elte.hu zonalitás - a klímazónák kialakításáért felelős éghajlat meghatározó tényezői (hőellátottság,
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 -
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:
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot
RészletesebbenStatisztika 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,
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
Részletesebben