Excel segédlet Üzleti statisztika tantárgyhoz
|
|
- Júlia Horváth
- 7 évvel ezelőtt
- Látták:
Átírás
1 Miskolci Egyetem Üzleti Statisztika és Előrejelzési Intézeti Tanszék Excel segédlet Üzleti statisztika tantárgyhoz. Z próba einek meghatározása óbafüggvény: x - m z = ; vagy σ/ n x - m z = ; vagy s/ n z p - P P Q /n H : m H : m H : m z z / z / z z-eloszlás ei (képletgyűjteményből) (z próba esetén a H elfogadási tartományának alsó és felső határa) első μ m Ф(z)=-/ -z-/ z-/ μ<m Ф(z)=- -z- μ>m Ф(z)=- - z- Tankönyv 5.. táblázata z-eloszlás ei (excellel) α=5% esetén (z próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5% esetén első μ m =INVERZ.STNORM(-/) =INVERZ.STNORM(,975) -,96,96 μ<m =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 μ>m =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 z próba szignifikancia szintjének meghatározása (excellel) ze = próbafüggvény számított e üggvény μ m =STNORMELOSZL(ABS(z e )) -/ μ<m =STNORMELOSZL(ABS(ze)) - μ>m =STNORMELOSZL(ABS(ze)) -
2 . t próba einek meghatározása óbafüggvény: x - m t =. s/ n H : m H : m H : m t t / t / t Student-féle t-eloszlás ei (képletgyűjteményből) (t próba esetén a H elfogadási tartományának alsó és felső határa) μ m μ<m μ>m =-/; ν n =-; νn =-; νn első -t -/ t -/ -t- - t- Student-féle t-eloszlás ei (excellel) α=5% esetén (t próba esetén a H elfogadási tartományának alsó és felső határa) Alkalmazandó függvény és Pl: α=5% és n=5esetén első μ m =INVERZ.T(; n-) =INVERZ.T(,5;4) -,4,4 μ<m =INVERZ.T(; n-) =INVERZ.T(,;4) -,76 μ>m =INVERZ.T(; n-) =INVERZ.T(,;4) -,76 t-próba szignifikancia szintjének meghatározása (excellel) te = próbafüggvény számított e üggvény μ m =T.ELOSZLÁS(ABS(te); n-; ) μ<m =T.ELOSZLÁS(ABS(te); n-; ) μ>m =T.ELOSZLÁS(ABS(te); n-; )
3 3. - próba einek meghatározása n - s σ óbafüggvény: χ H : H : H : / / -eloszlás ei (képletgyűjteményből) ( - próba esetén a H elfogadási tartományának alsó és felső határa) ν(n)-nél ca-hoz: / cf-hez: -/ νn / első / < νn > - νn -eloszlás ei (excellel) α=5% esetén ( - próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5% és n=5esetén (ca) első (cf) ca-hoz: =INVERZ.KHI(-/; n-) ca-hoz: =INVERZ.KHI(,975;4) cf-hez: =INVERZ.KHI(/; n-) cf-hez: =INVERZ.KHI(,5;4) 5,63 6, < =INVERZ.KHI(-; n-) =INVERZ.KHI(,95;4) 6,57 > =INVERZ.KHI(; n-) =INVERZ.KHI(,5;4) 3,7 -próba szignifikancia szintjének meghatározása (excellel) e = próbafüggvény számított e üggvény =KHI.ELOSZLÁS( e ; n-) -/ vagy / < =KHI.ELOSZLÁS( e ; n-) - > =KHI.ELOSZLÁS( e ; n-) 3
4 4. próba einek meghatározása Két szórás egyezőségének vizsgálata s óbafüggvény: = s H H : H : : : H : H H : : H H H : : ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) -eloszlás ei (képletgyűjteményből) ( ; ) ( ; ) ( ; ) ( próba esetén a H elfogadási tartományának alsó és felső határa) H : -/ ( ; ) első ( ; ) H : < - ( ; ) H : > - ; ) ( -eloszlás ei (excellel) α=5% esetén ( próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5%; n=6 és n= esetén (ca) (cf) H : ca-hoz: = / INVERZ.(/; n-; n-) ca-hoz: =/INVERZ.(,5;;5) /,76= cf-hez: =INVERZ.(/; n-; n-) cf-hez: =INVERZ.(,5;5;),36,57 H : < = / INVERZ.(; n-; n-) = / INVERZ.(,5;;5) /,33=,43 H : > =INVERZ.(; n-; n-) =INVERZ.(,5; 5;), próba szignifikancia szintjének meghatározása (excellel) e = próbafüggvény számított e üggvény =.ELOSZLÁS( / e; n-; n-) vagy / =.ELOSZLÁS( e; n-; n-) < =.ELOSZLÁS( / e; n-; n-) > =.ELOSZLÁS( e; n-; n-) 4
5 5. Két várható különbségének vizsgálata óbafüggvény: d - t = s p n n Student-féle t-eloszlás ei (képletgyűjteményből) (t próba esetén a H elfogadási tartományának alsó és felső határa) ν=(n+n-)-nél első H : - =-/; ν n+n- -t t H : - < =-; ν n+n- -t H : - > =-; ν n+n- - t Student-féle t-eloszlás ei (excellel) α=5% esetén (t próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5%; n=6 és n= esetén első H : - =INVERZ.T(; νn+n-) =INVERZ.T(,5;5) -,6,6 H : - < =INVERZ.T(; ν=n+n-) =INVERZ.T(,;5) -,7 H : - > =INVERZ.T(; νn+n-) =INVERZ.T(,;5) -,7 t-próba szignifikancia szintjének meghatározása (excellel) te = próbafüggvény számított e üggvény - =T.ELOSZLÁS(ABS(te); n+n-; ) - < =T.ELOSZLÁS(ABS(te); n+n-; ) - > =T.ELOSZLÁS(ABS(te); n+n-; ) 5
6 óbafüggvény: d - δ z =.; vagy s d e ε z z-eloszlás ei (képletgyűjteményből) s e első H : - Ф(z)=-/ -z-/ z-/ H : - < Ф(z)=- -z- H : - > Ф(z)=- - z- z-eloszlás ei (excellel) α=5% esetén Pl: α=5% esetén (ca) első (cf) H : - =INVERZ.STNORM(-/) =INVERZ.STNORM(,975) -,96,96 H : - < =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 H : - > =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 z próba szignifikancia szintjének meghatározása (excellel) ze = próbafüggvény számított e üggvény - =STNORMELOSZL(ABS(ze)) -/ - < =STNORMELOSZL(ABS(ze)) - - > =STNORMELOSZL(ABS(ze)) - 6
STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
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 -
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
RészletesebbenSTATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
RészletesebbenÉ ű ű Í ű ű ű É ű Í Ü É Í Á Ó Á É Á Á Á É Á Á Ó Á Á ű Ő Á É É ű É É É ű ű Á É Á Á Í Á Á Á É Á É É ű ű ű ű Í ű Í Í ű ű ű Í ű É ű É ű Á ű Í ű Á ű ű Á ÉÍ É É ű ű ű ű Í ű Í Í ű Á Í Í ű Í Í É ű É Í Í ű ű ű
RészletesebbenÍ Ü ű É ü ú Ó Ó É Ü Ó Í Ü Ü ű Á É Á É Ü Ü É É É É Í Á É É Í Ó Ü ü Ő É Ő É É É É É É É É É É É É Á É Ú Á Ú É Á Ú É Ó ü ű É Á É Ü ű É Ü É É É Ü ű Ü ű É Ü Ú É Á Á Á É Ü Ü Ü É Ó Á Ő É Í É É É É Í Í ű ü ü Ó
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,
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
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
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
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
RészletesebbenSTATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)
Normális eloszlás sűrűségfüggvénye STATISZTIKA 9. gyakorlat Konfidencia intervallumok f σ π ( µ ) σ ( ) = e /56 p 45% 4% 35% 3% 5% % 5% % 5% Normális eloszlás sűrűségfüggvénye % 46 47 48 49 5 5 5 53 54
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
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
RészletesebbenIntervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
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
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
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
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
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
RészletesebbenDiszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (
FELADATOK A LEKÉPEZÉSEK, PERMUTÁCIÓK TÉMAKÖRHÖZ Diszkrét Matematika 4. LEKÉPEZÉSEK Értelmezési tartomány és értékkészlet meghatározása : Összefoglaló feladatgyűjtemény matematikából ( zöld könyv ): XIII.
RészletesebbenKÚPKERÉKPÁR TERVEZÉSE
MISKOLCI EGYETEM GÉPELEMEK TANSZÉKE OKTATÁSI SEGÉDLET a GÉPELEMEK III. c. tantárgyhoz KÚPKERÉKPÁR TERVEZÉSE Összeállította: Dr. Szente József egyetei docens Miskolc, 007. Geoetriai száítások. A kiskerék
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
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
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenStatisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenBiostatisztika 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.
RészletesebbenA pont példájának adatai C1 C2 C3 C
A 3..5 pont példájának adatai C C C3 C4 0.00000 0.00000 0.00000 0.00000 0.00000 0.96 0.003 0.437 0.458 0.7336 0.00785 0.34957 0.565 0.3308 0.0096 0.43840 0.979 0.343 0.0440 0.44699 0.3008 0.370 0.083 0.44986
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenMérnökgeodéziai hálózatok feldolgozása
Mérnökgeodéziai hálózatok feldolgozása dr. Siki Zoltán siki@agt.bme.hu XIV. Földmérő Találkozó Gyergyószentmiklós 2013.05.09-12. Mérnökgeodéziai hálózatok nagy relatív pontosságú hálózatok (1/100 000,
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
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.
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
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
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
Részletesebben1. Gauss-eloszlás, természetes szórás
1. Gauss-eloszlás, természetes szórás A Gauss-eloszlásnak megfelelő függvény: amely egy σ szélességű, µ középpontú, 1-re normált (azaz a teljes görbe alatti terület 1) görbét ír le. A természetben a centrális
RészletesebbenKiváltott agyi jelek informatikai feldolgozása Statisztika - Gyakorlat Kiss Gábor IB.157.
Kiváltott agyi jelek informatikai feldolgozása 2018 Statisztika - Gyakorlat Kiss Gábor IB.157. kiss.gabor@tmit.bme.hu Példa I (Vonat probléma) Aladár 25 éves és mindkét nagymamája él még: Borbála és Cecília.
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
Részletesebbenő ő ű í ú ő ő ő ő ú í ő ő ő ő í í ő ő ő ű í ú ú ű í ő ő ő ő í í Á í í ő ő ő ő í ő ő ú ú ú í ő ő ő ű í ú Ó ú ű í ő ő ő ő í ő ő ő ő í ő ő ő ő í É í í í í ú ű í ő í í Ö ő ú ű í í í í ő ő ő É í í ű í ő ő ő
RészletesebbenIII. Képességvizsgálatok
Képességvizsgálatok 7 A folyamatképesség vizsgálata A 3 fejezetben láttuk, hogy ahhoz, hogy egy folyamat jellemzıjét a múltbeli viselkedése alapján egy jövıbeni idıpontra kiszámíthassuk (pontosabban, hogy
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
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
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
RészletesebbenSTATISZTIKAI KÉPLETGYŰJTEMÉNY ÉS TÁBLÁZATOK
MIKOLCI EGYETEM Gazdaágtudoá Kar Üzlt Iorácógazdálodá é Módzrta Itézt Üzlt tatzta é Előrlzé Tazé TATIZTIKAI KÉPLETGYŰJTEMÉNY É TÁLÁZATOK (Dolgozatíráál, zgá ca gé bgzé élül hazálható!). VIZONYZÁMOK, KÖZÉPÉRTÉKEK-ZÓRÓDÁ
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
Részletesebben2. gyakorlat: Z épület ferdeségmérésének mérése
. gyakorla: Z épüle ferdeségének mérése. gyakorla: Z épüle ferdeségmérésének mérése Felada: Épíésellenőrzési feladakén egy 1 szines épüle függőleges élének érbeli helyzeé kell meghaározni, majd az 1986-ban
RészletesebbenDr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
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:
RészletesebbenStatisztika II előadáslapok. 2003/4. tanév, II. félév
Statisztika II előadáslapok 3/4 tanév, II félév BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT Egyik konzervgyár vágott zöldbabot exportál A szabvány szerint az üvegek nettó töltősúlyának az átlaga 3 g, a szórása 5 g Az
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
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,
RészletesebbenANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26
ANOVA,MANOVA Márkus László 2013. március 30. Márkus László ANOVA,MANOVA 2013. március 30. 1 / 26 ANOVA / MANOVA One-Way ANOVA (Egyszeres ) Analysis of Variance (ANOVA) = szóráselemzés A szórásokat elemezzük,
RészletesebbenEötvös Loránd Tudományegyetem Informatikai Kar. Additív számelméleti függvények eloszlása
Eötvös Loránd Tudományegyetem Informatikai Kar Additív számelméleti függvények eloszlása Doktori értekezés tézisei Germán László Témavezető Prof. Dr. Kátai Imre akadémikus Informatika Doktori Iskola vezető:
RészletesebbenTypotex Kiadó. Jelölések
Jelölések a = dolgozók fogyasztása (12. fejezet és A. függelék) a i = egyéni tőkeállomány i éves korban A = társadalmi (aggregált) tőkeállomány b j = egyéni nyugdíj j éves korban b k = k-adik nyugdíjosztály
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
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
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
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,
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
RészletesebbenA Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása
azdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállakozásgazdaságtan Tanszék A Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása Készítette: dr. Koltai Tamás egyetemi tanár Budapest,.
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenAlapfogalmak, valós számok Sorozatok, határérték Függvények határértéke, folytonosság A differenciálszámítás Függvénydiszkusszió Otthoni munka
Pintér Miklós miklos.pinter@uni-corvinus.hu Ősz Alapfogalmak Halmazok Definíció Legyen A egy tetszőleges halmaz, ekkor x A (x / A) jelentése: x (nem) eleme A-nak. A B (A B) jelentése: A (valódi) részhalmaza
RészletesebbenMatematikai statisztikai elemzések 3.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzek 3. MSTE3 modul Becslelmélet: alapfogalmak, nevezetes statisztikák, intervallum-becsl SZÉKESFEHÉRVÁR
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
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
RészletesebbenLine aris f uggv enyilleszt es m arcius 19.
Lineáris függvényillesztés 2018. március 19. Illesztett paraméterek hibája Eddig azt néztük, hogy a mérési hiba hogyan propagál az illesztett paraméterekbe, ha van egy konkrét függvényünk. a hibaterjedés
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenGazdasági matematika II. Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdálkodási és menedzsment, pénzügy és számvitel szakok távoktatás tagozat Gazdasági matematika II. Tantárgyi útmutató 2016/17 tanév II. félév 1/6 A KURZUS ALAPADATAI Tárgy
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
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
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
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
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
RészletesebbenNAGY TARTÓSSÁGÚ BETON TERVEZÉSÉNEK NÉHÁNY KÖVETELMÉNYE
NAGY TARTÓSSÁGÚ BETON TERVEZÉSÉNEK NÉHÁNY KÖVETELMÉNYE Dr. Kausay Tibor BME Építőanyagok és Mérnökgeológia Tanszék Építőanyagok és Mérnökgeológia Tanszék A nagy tartósságú betont az jellemzi, hogy a 100
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
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
RészletesebbenEloszlás-független módszerek 13. elıadás ( lecke)
Eloszlás-független módszerek 13. elıadás (25-26. lecke) Rangszámokon alapuló korrelációs együttható A t-próbák és a VA eloszlásmentes megfelelıi 25. lecke A Spearman-féle rangkorrelációs együttható A Kendall-féle
Részletesebbenu u IR n n = 2 3 t 0 <t T
IR n n =2 3 u() u u u u IR n n = 2 3 ξ A 0 A 0 0 0 < T F IR n F A 0 A 0 A 0 A 0 F :IR n IR n A = F A 0 A 0 A 0 0 0 A F A 0 A F (, y) =0 a = T>0 b A 0 T 1 2 A IR n A A A F A 0 A 0 ξ A 0 = F (ξ) ε>0 δ ε
RészletesebbenFüggvény határérték összefoglalás
Függvény határérték összefoglalás Függvény határértéke: Def: Függvény: egyértékű reláció. (Vagyis minden értelmezési tartománybeli elemhez, egyértelműen rendelünk hozzá egy elemet az értékkészletből. Vagyis
RészletesebbenMINİSÉGBIZTOSÍTÁS 6. ELİADÁS Március 19. Összeállította: Dr. Kovács Zsolt egyetemi tanár
MINİSÉGBIZTOSÍTÁS Özeállította: Dr. Kovác Zolt egyetemi taár 6. ELİADÁS 011. Márciu 19. NyME FMK Terméktervezéi é Gyártátechológiai Itézet http://tgyi.fmk.yme.hu NYME FMK TGYI 006.08.8. 1. fólia Kézült
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenIdő-ütemterv hálók - I. t 5 4
Építésikivitelezés-Vállalkozás / : Hálós ütemtervek - I lőadás:folia.doc Idő-ütemterv hálók - I. t s v u PRT time/cost : ( Program valuation & Review Technique ) ( Program Értékelő és Áttekintő Technika
RészletesebbenGyakorlat anyag. Veszely. February 13, Figure 1: Koaxiális kábel
Gyakorlat anyag Veszely February 13, 2012 1 Koaxiális kábel d b a Figure 1: Koaxiális kábel A 1 ábrán látható koaxiális kábel adatai: a = 7,2 mm, b = 4a = 8,28 mm, d = 0,6 mm, ε r = 3,5; 10 4 tanδ = 80,
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
RészletesebbenVirtuális elmozdulások tétele
6. Előadás A virtuális elmozdulás-rendszer fogalma A virtuális munka fogalma A virtuális elmozdulások tétele Alkalmazás statikailag határozott tartók vizsgálatára 1./ A virtuális elmozdulásrendszer fogalma
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
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
RészletesebbenBaran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70
Valószínűségszámítás és matematikai statisztika Baran Ágnes Gyakorlat MATLAB Baran Ágnes Gyakorlat 1 / 7 Véletlenszám generátorok randi(n,n,m) n m pszeudorandom egész szám az [1, N]-en adott diszkrét egyenletes
Részletesebben