Ökológia és vadbiológia
|
|
- Henrik Bognár
- 8 évvel ezelőtt
- Látták:
Átírás
1 Ökológia és vadbiológia Ökológia Az élőlények eloszlását és sűrűségi viszonyait meghatározó tényezők vizsgálata Az élőlények és a környezetük közötti kapcsolatok tudományos módszerekkel való vizsgálata Az élőlényközösségek struktúrájának és a szupraindividuális jelenségek kiváltó tényezőinek vizsgálata Vadbiológia A vadon élő állatok és a környezetük közötti kapcsolatok tudományos módszerekkel való vizsgálata A vizsgált fajok a vadászható fajok szabadon élő madarak és emlősök szabadon élő gerincesek a halak kivételével
2 Vadbiológia A vadgazdálkodást tudományosan megalapozó ismereteket és módszereket előállító és összefoglaló tudományterület interdiszciplináris tárgyából és módszereiből következően elsősorban ökológiai tudományterület tudományos módszereket alkalmaz kellően definiált fogalomrendszere van és ezeket a fogalmakat szabatosan alkalmazzák magukat vadbiológusnak nevező tudományosan képzett szakemberek művelik A vadbiológia a vadgazdálkodáson keresztül kapcsolódik a vadászathoz Vadgazdálkodás és vadbiológia kapcsolata (kommenzalizmus, szimbiózis) A vadgazdálkodás tudományosan megalapozott válaszokat és módszereket igényel A vadgazdálkodók tudományosan (is) képzettek a fogalmakat jelentésüknek megfelelően alkalmazzák tudományosan értelmezhető kérdéseket tesznek fel a tudomány eredményeit alkalmazzák
3
4 Vadgazdálkodás és vadászat Vadgazdálkodás A vadon élő gerincesek állományainak valamilyen célból való kezelése A vadgazdálkodás a vadon élő állatok elterjedésének, állomány nagyságának (sűrűségének) és az állomány minőségének befolyásolása. A vadgazdálkodás során a vadpopulációk dinamikájába és élőhelyébe történik beavatkozás. Vadgazdálkodás jellege Manipulatív gazdálkodás (a populáció vagy a környezet befolyásolása a vadállomány állapota szerint) vadvédelem vadállomány hasznosítás vadállományok kontrollja Megfigyelő (nem tesz semmit, de szemmel tart) Megőrző (custodialis) gazdálkodás A külső hatásokat minimalizálja: nem stabilizál, hanem az ökológiai folyamatokat hagyja szabadon érvényre jutni nemzeti parkok megelőző (preventív) védelmező (protektív)
5 A vadászat A vad elejtésére vagy elfogására irányul nyuló tevékenys kenység Hasznosítás, s, mely a céloknak c megfelelő mennyiségű és minőségű tartós s hozamot ad, miközben a környezet k állapota is kedvező marad A vadgazdának és s a vadásznak nem kell azonosnak lennie
6 A vadbiológia működése Kutatás, fejlesztés, innováció Tudomány: a hipotézis mindaddig nem igaz, amíg valamilyen próbával nem bizonyítják, hogy igaz. Innováció feltalálás: az ötlet mindaddig igaz, míg az összes lehetséges módon nem bizonyosodott be az ellenkezője. Műszaki fejlesztés: A kutatás és az innováció eredményeinek felhasználásával a gyakorlati alkalmazásra alkalmas eszköz, módszer stb. kifejlesztése. Az eredményesség és hatékonyság feltételei Friss és széles körű ismeretek Kreativitás egyéni csoport Nem kutatunk olyat, amit már "kitaláltak" A kutatást tudományosan jegyzett szakemberek részletekbe menően vizsgálják - általában minimum 2 ponton: a pályázat benyújtásakor (programtervezés) az eredmények publikálásra való benyújtásakor
7 A vadbiológia működése Tudományos elmélet, következtetés és bizonyítás formái Indukció (következtetés, általánosítás): a jelenségek két csoportja közötti "törvényszerű" összefüggés felismerése a következmények indoklása, ha az előfeltételek megerősítőek, de nem szükségszerűen abból következnek Retrodukció (visszakövetkeztetés): hipotézis felállítása a folyamatokról, amelyek hatásával igazolható vagy indokolható valamely jelenség bekövetkezése Hipotézis - dedukció (bizonyítás): A hipotézisből kiindulva előrejelzéseket (predikciókat) tesz arra, hogy az adott jelenség bekövetkezik-e, ha megfelelő feltételek igazak. Dedukció: Valamely jelenség olyan bizonyítása, amelyben a következtetés szükségszerű eredménye a bizonyítékoknak, ezért a következtetés nem lehet téves, ha a bizonyítékok igazak. Pl. Minden állat halandó. Az ember állat. Az ember halandó.
8 A vadbiológia működése: ok-okozati kapcsolatok HILL KRITERIUMAI AZ OK OKOZATI KAPCSOLATOK ÉRTÉKELÉSÉHEZ (Járványtan) Erősség a stresszor hatására nagy mértékű hatás jelentkezik Konzisztencia a két jelenség asszociációja ismételten megfigyelhető eltérő körülmények között is Specifikusság a hatás diagnosztikus értékű a stresszorra nézve Időbeniség a stresszor megelőzi az okozatot (hatást) Biológiai grádiens jelenléte dózis - válasz a válasz arányos a dózis nagyságával Kézenfekvő hatásmechanizmus hogyan vezet a dolog a hatáshoz Koherencia a hipotézis nincs konfliktusban a természettudományos/biológiai ismereteinkkel Kísérleti bizonyítás lehetősége Analógia a hasonló stresszek hasonló eredményre vezetnek Kovariancia együttesen változó dolgok veszélyei
9 A vadbiológia működése A folyamat Monitoring adatok és időskála Természetrajz a faj ismerete Modellezés mi történhet? Hipotézisek tényleg az történik? Eredmény biológiailag megalapozott, gyakorlatias és költséghatékony módszerek A módszer Probléma meghatározása: mi történt? ízekre szedni az esetet Diagnózis: milyen tényezők okozzák a folyamatot? hipotézis vizsgálat Kezelés: mit kell tenni a diagnózis alapján? beavatkozás az eredmények alapján
10 Elmélet és gyakorlat Előítéletek: az elméleti ökológusok elszakadtak a valóságtól a gyakorlati ökológusoknak (vadbiológus, természetvédő, vadgazda, erdész stb.) nincs szükségük az elméletre, a gyakorlati aranyszabályokat és sarokpontokat kell ismerniük. DE HOL AZ ALÁZAT? Alkalmazott tudomány nincs... csak a tudomány alkalmazása van, ami egészen más dolog. Bárki számára nagyon könnyű a tudományt alkalmazni, ha mestere a tudománynak magának. (L. Pasterur, 1871) Tények: A tudományos állítás tesztelhető és elvethető -ellenkező esetben axióma, hit, kinyilatkoztatás vagy dogma. Megfelelő kísérlet nélkül semmilyen módon sem bizonyítható, hogy valamely feltételezés igaz vagy sem. A mai hipotézisekről sem bizonyos, hogy igazak csupán még nem sikerült őket cáfolni. (SZKEPSZIS) Az aranyszabályok legtöbbjéről bebizonyosodott, hogy hibásak.
11 Vadgazdálkodás Tradicionális modell: személyes tapasztalatok és felhalmozott bölcsességek "tő mellől indul" konzervatív gondolkodás - kipróbált szabályok követése óvakodás az új ötletektől - az újítások zöme megbukik Kísérletező modell: adatokra és elemzésekre épül, hipotéziseket próbál ki, folyamatosan változik és alkalmazkodik (adaptív gazdálkodás) A sikeresség feltétele, hogy tudjuk: Hová akarunk eljutni? Oda lehet-e egyáltalán jutni? Fogjuk tudni, ha odaértünk? Hogyan lehet odajutni? Milyen hátrányokkal vagy költségekkel kell számolni? Milyen előnyökre vagy haszonra számíthatunk? Az előnyök nagyobbak, mint a hátrányok? Mik a sikertelenség kritériumai?
12
13 Kísérletező vadgazdálkodás Az elmélet kialakulása Indukció: megállapítja a kapcsolatot. Retrodukció: hipotézist állít fel, mi okozza a jelenséget. Hipotézis-bizonyítás: előrejelzést próbál tenni, arra hogy más esetekben mi fog történni. A hipotézis annyira bizonyítható vagy elvethető, amilyen mértékben a kísérlet igazolja vagy cáfolja a predikciót. Miért fontos a miért? Miért? Milyen folyamat vagy ok magyarázza a tényeket kísérlet megbízható tudás A megfelelő kísérletek hiányában a hipotézisek a szónoklatok, divatok, ízlések, a hatalmi fölény és/vagy az ismételgetés révén válnak "törvénnyé" megbízhatatlan tudás Miért? mert az új ismeretek alapján időről-időre újra kell gondolni az addigi tudást
14 Az erdősültség és a szarvasállomány nagyságának kapcsolata
15 A gímszarvas hatásának várható területe napjainkban.
16 Somogy megye: szarvaslétszám-vadkár összefüggés Vadkár(eFt) Létszám(db) Év mg.-i vk. erdei vk. szarvas 0
17 A vadkár és a mezőgazdasági termények felvásárlási átlagárának összefüggése Somogy megyében Vadkár (eft) Év mg.-i vk. erdei vk. búza kukorica napraforgó Felvásárlási átlagár (Ft/t)
18 Vadkár (e FT) Somogy vadkár-vadföld összefüggés Év mg.-i vk. erdei vk. vadföld V adföld m érete (ha)
19 Kísérletező vadgazdálkodás Egy rendszer működéséről, dinamikájáról semmi, vagy nagyon kevés tudható meg, ha egyensúlyban van. Ezért a rendszernek változnia kell vagy a rendszert kell manipulálni. A beavatkozások hatásait szigorúan nyomon kell követni (monitoring) adatok a beavatkozás előtt, közben és után! Kontrollra (0 kezelés), ismétlésekre és különböző kezelési szintekre van szükség. Hiányukban nem eldönthető, hogy a hatás oka: a kezelés, külső tényezők vagy a kezelés és külső tényezők interakciója
20 Kísérletező vadgazdálkodás A tudományos kísérlet és következtetés elemei, amit használni kell: a kutatási kérdés meghatározása a kérdés null hipotézisként való megfogalmazása adatok gyűjtése (kísérlet beállítása) statisztikai próba az adatokból a hipotézis elfogadása vagy elvetése a statisztikai próba alapján a biológiai következtetés levonása
21 Kísérletező vadgazdálkodás A kísérletezés a gazdálkodásba illeszkedik: Minden gazdálkodási beavatkozás kezelésnek tekinthető, feltéve ha megfelelő az ellenőrzöttsége és szigorú szabályok betartásával folyik A vadgazdának a feltételezéseit pontosan és tesztelhető hipotézisként is meg kell fogalmaznia A beavatkozás hatását mérni kell, az eredményeket pedig akkor is közzé tenni, ha a hipotézist cáfolják (a hipotézis elvetése nem katasztrófa, hanem az ismeretek fejlődése) A kísérletező vadgazdálkodás feltételei: a vadgazdák az ökológiai fogalmakat értelmüknek megfelelően használják, értik a releváns ökológiai elméletet, képesek a gazdálkodási beavatkozások várható hatásaira ökológiailag megalapozott előrejelzéseket tenni. Ezért: a professzionális képzésnek súlyos elméleti, kísérletes és terepökológiai alapjai kell legyenek.
22 Becslés és/vagy monitoring A becslés: valamely paraméter mintavételezésen alapuló meghatározása. matematikai statisztikával alátámasztott valamilyen feltételezéseken alapul, ha ezek teljesülnek, akkor a becslés torzítatlan pontossága, hibája ismert (ezt is becsli!) meghatározott szabályrendszer szerint zajlik, tehát reprodukálható
23 Becslés és/vagy monitoring A monitoring a természetes v. mesterséges környezet állapotának v. állapotváltozásának nyomon követése rendszeres standardizált, kipróbált módszerekkel zajlik közvetlen: a paramétert magát méri (pl. ragadozó monitoring, vadállomány becslések) közvetett: a paraméter hatását méri (pl. tegzesek száma víztisztaság, vadkár nagyvadlétszám (?)) Magában nem kutatás (nincs hipotézis, predikció, tesztelés) csak egy állapotváltozás nyomon követése A becslés beépülhet a monitoringba.
24 A vizsgálati objektum kiválasztása A kiválasztott faj reprezentálja-e egy nagyobb kategóriát (viselkedési, rendszertani, élettani szempontból)? Vannak-e ismert rokon fajok? összehasonlítás Van-e alapos irodalma az adott fajnak? Konklúziók Könnyen megfigyelhető a természetes környezetében? Beszerezhető, mint labor állat? Védett vagy ritka faj? Sok pénzt vagy időt igényel a megfigyelése, tartása? Könnyű a fajt tartani, etetni, tenyészteni? Toleráns az emberrel? Van-e veszélyes betegsége (emberre nézve)?
25 Milyen az életmenet stratégiája? Elegendő ideig él az ismételt kísérletekhez? Elég gyors a fejlődése a feltett kérdéseket tekintve? elefánton ne végezzünk viselkedésgenetikai vizsgálatokat Mikor aktív? éjszakai állatot ne nappal vizsgáljunk Magános vagy társas? társas állatot ne magánosan figyeljünk meg, territoriális állatokat ne zárjunk össze! Mozgása a vizsgált problémához képest nem túl gyors vagy lassú? Előzetes információgyűjtés szakirodalmazás!
26 Ezekre a kérdésekre sokszor csak az elővizsgálatok során tudunk választ kapni. A vizsgálat során azután a lehető legegyszerűbb választ fogadjuk el magyarázatként. ha egy állat a petéit nedves helyre rakja, akkor aktívan keresheti ezeket és megmérheti a nedvesség tartalmát a helynek és összevetheti a korábbi tapasztalataival de az is lehet, hogy egyszerűen a nedves helyen lelassul és megáll
27 A kutatás lépései Elővizsgálatok és kérdésfeltevés világos kérdés(ek) megfogalmazása: Milyen a szexuális viselkedése a gímszarvasnak? szűkítve: A nagyobb hímek többször párzanak a kisebbeknél? Hipotézisek: specifikus kérdések bármi lehet, de biológiailag értelmezhető és tesztelhető legyen! Mindig egymást kizáró hipotézispárokat alkossunk! H1: a faj szaporodásában a hím testnagyságával arányos a hím szaporodási sikere H2: A faj hímjeinek szaporodási sikerében a testnagyság nem játszik szerepet
28 Predikciók (következtetések a hipotézisekből): Biológiailag értelmes és statisztikailag tesztelhető legyen egyszerre! A H1 hipotézisből az alábbi predikciókat vonhatjuk le: P1: A kétszer nagyobb hímek átlagos sikere kétszerese az átlagos hímekének P2: A kétszer nagyobb hímek átlagos sikere négyszerese az átlagos hímekének P3: A hímek méretével nő a territórium mérete P4: A hímek testnagyságával nő az utódok felnövési esélye
29 A változók kiválasztása: csak a predikciókkal összefüggő változókat mérjük! DE egyéb változókról készíthetünk jegyzeteket új kérdések, új hipotézisek Ráadásul itt már statisztikai ismeretek is kellenek pl. a változó folytonos vagy diszkrét Pl. a P1 és P2 teszteléséhez két változót kell mérni: Változó1: A hímek testnagysága Változó2: A hímek szaporodási sikere Felvételi módszer a paraméterek mérésére: Ne törekedjünk túlzott pontosságra, de ne is nagyoljuk el a mérést pl. gácsérok esetében nem kell mg pontosság, de a kg-os pontosság nem ad kellő felbontást A mérés időszaka is fontos a szaporodás elején mérjünk le minden hímet a végére a sikeresebbek többet veszthetnek tömegükből! vagy mérjünk kevésbé kondíciófüggő változót pl. agancsméretek
30 A szaporodási siker esetében pedig el kell dönteni, hogy miben mérjük a sikerességet? megtermékenyített petesejtek száma boncolás Az élve született utódok száma utódszámlálás A felnevelt (ivarérett) utódok száma De akár az egész populációban elvégezhetjük az utódok DNS alapú meghatározását. Mintanagyság Csoporthatás a minták között (függetlenség) mi legyen a mérés egysége? Ha az utódok túlélőképességét vizsgáljuk mekkora a tömege a hím utódainak, DE az utódok nem függetlenek egymástól az alom az egység átlagolunk az almokra
31 A megfigyelő hatása: Zavarjuk a megfigyelt állatot másképp viselkedik, mint ha nem vagyunk jelen A megfigyelőnek elvárásai vannak Okos Hans, a számolni tudó ló akkor hagyta abba a kopogást, amikor a megfigyelő elégedett volt A megfigyelő többet méri a territoriális, nagyobb bakokat, mert egyszerűbb ezeket megfigyelni ezek utódszámát jobban vagy akár túlbecsli A nem territoriális hímeket kevesebbet figyeli kevésbé tudja megbecsülni az utódszámot, vagy alulbecsüli ez igazolja a feltevésünket és megnyugszunk, habár lehet, hogy valójában nincs különbség a kétféle hím szaporodási sikere között
32 Adatanalízis és további kérdések: Ha a megfelelő nagyságú mintát vettük és nem követtünk el hibát (mintavétel, mérés, prekoncepció stb.) felderítő adatanalízis nyilvánvaló összefüggések (átlagokkal, mediánokkal, szórásokkal, eloszlások ábrázolásával hisztogrammok) Döntéshozó analízis: predikciók tesztelése esetleges újabb kérdések A megerősítés után is az eredmények még nem tények! Az adataink támogatnak vagy nem támogatnak egy hipotézist ennek oka lehet az is, hogy mi vontuk le tévesen a következtetéseinket (predikciókat)! Ha nem támogatják az első hipotézist az adataink még nem jelenti automatikusan a másik hipotézis igazát! Egy hipotézist csak egy alternatív hipotézis dönthet meg! ehhez vizsgálatok kellenek
33 A vizsgálat ismételhetősége: Ha egy vizsgálat eredményét nem tudjuk ismét prezentálni Statisztikai hiba: szignifikáns különbséget kaptunk, pedig nincs elsőfajú hiba (pl. p<0.05 esetén 100 ismétlésből 5 alkalommal hibás következtetést vonunk le) Elfedés: valamilyen nem mért tényező elfedte az általunk kívánt hatást (hímek elpusztultak a vizsgálat előtt betegségben minden maradék hímnek sok nősténye volt) Mást mérünk, mint hisszük: hipotézisünk szerint az egyik tényező függ a másiktól nagyobb testű hímnek nagyobb a sikeressége Mi van ha egy harmadik tényezőtől függnek valójában? Pl. tesztoszteronszint a sikeresség az agresszivitástól függ és a nagyság maximum abban játszik szerepet, hogy a nagyobb testű állat nagyobbat üt, rúg stb., így jobban ki tudja fejezni az agresszivitását
34 Minél több háttértényezőt tárunk fel (vizsgálunk meg), annál inkább megismételhető a vizsgálat. a megismételhetetlen vizsgálat rossz!!! gondoljuk újra az egészet! Csinálhatunk konstruktív ismétlést is amikor nem ugyanazzal a fajjal, esetleg nem ugyanazzal a módszerrel dolgozunk, de ugyanaz a predikció! Ha a két vizsgálat ugyanazt a hipotézist támogatja csökken a hiba esélye, pl. a statisztikai hiba 0.05 helyett már csak lesz.
Populációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
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
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
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
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
RészletesebbenPopulációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
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
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
RészletesebbenA jelenlegi helyzet. A jelenlegi helyzet. A jelenlegi helyzet. Az európai csülkös vad gazdálkodás két változtatási pontja
Az európai csülkös vad két változtatási pontja A vadgazdálkodóknak és/vagy vadászoknak számos esetben fel kellene hagynia az állomány megszámlálására tett próbálkozásokkal. A vadgazdálkodóknak és/vagy
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
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
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
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:
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
RészletesebbenTARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23
TARTALOMJEGYZÉK 1. téma Átlagbecslés (Barna Katalin).... 7 2. téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23 3. téma Összefüggések vizsgálata, korrelációanalízis (Dr. Molnár Tamás)... 73 4. téma Összefüggések
RészletesebbenPopulációdinamika és modellezés. A populációk változása populációdinamika. A populáció meghatározása. Modellezés
Populációdinamika és modellezés Vadbiológia és ökológia Prof. Dr. Csányi Sándor A populáció meghatározása g Ökológia: saz egyed feletti (szupraindividuális) szervezôdés strukturális és funkcionális jelenségeinek
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,
Részletesebben79/2004 (V.4.) FVM rendelet
79/2004 (V.4.) FVM rendelet Nagyvadfajok gímszarvas dámszarvas őz, muflon, vaddisznó [szikaszarvas] LV/1996. (VI.16.) törvény vad védelméről, a vadgazdálkodásról és a vadászatról A földművelésügyi miniszter
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
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
RészletesebbenPIACKUTATÁS (MARKETINGKUTATÁS)
PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel
RészletesebbenElemszám becslés. Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet
Elemszám becslés Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet Miért fontos? Gazdasági okok: Túl kevés elem esetén nem tudjuk kimutatni a kívánt hatást Túl kevés elem esetén olyan eredmény
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.
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
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. 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
RészletesebbenSzakpolitikai programok és intézményi változások hatásának elemzése
Szakpolitikai programok és intézményi változások hatásának elemzése Kézdi Gábor Közép-európai Egyetem (CEU) és MTA KRTK A Magyar Agrárközgazdasági Egyesület konferenciája Budapest A hatás tényellentétes
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenMintavételi eljárások
Mintavételi eljárások Daróczi Gergely, PPKE BTK 2008. X.6. Óravázlat A mintavétel célja Alapfogalmak Alapsokaság, mintavételi keret, megfigyelési egység, mintavételi egység... Nem valószínűségi mintavételezési
RészletesebbenA létszámbecslés szerepe a hasznosítástervezésben. Létszám - sűrűség
A létszámbecslés szerepe a hasznosítástervezésben Dr. Szemethy László egyetemi docens SzIE, Gödöllő Vadvilág Megőrzési Intézet Létszám - sűrűség Létszám: a vad száma a területen ezt jelentjük, de tudjuk-e,
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
RészletesebbenANOVA összefoglaló. Min múlik?
ANOVA összefoglaló Min múlik? Kereszt vagy beágyazott? Rögzített vagy véletlen? BIOMETRIA_ANOVA5 1 I. Kereszt vagy beágyazott Két faktor viszonyát mondja meg. Ha több, mint két faktor van, akkor bármely
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet
Kettőnél több csoport vizsgálata Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet Gyógytápszerek (kilokalória/adag) Három gyógytápszer A B C 30 5 00 10 05 08 40 45 03 50 35 190 Kérdések: 1. Van-e
RészletesebbenS atisztika 2. előadás
Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás
RészletesebbenStatisztikai alapfogalmak a klinikai kutatásban. Molnár Zsolt PTE, AITI
Statisztikai alapfogalmak a klinikai kutatásban Molnár Zsolt PTE, AITI Bevezetés Research vs. Science Kutatás Tudomány Szerkezeti háttér hiánya Önkéntesek (lelkes kisebbség) Beosztottak (parancsot teljesítő
RészletesebbenSTATISZTIKA. 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
RészletesebbenVárosi vadgazdálkodás
A vadbiológia Városi vadgazdálkodás I. előadás: Vadbiológia, vadgazdálkodás, városi vadgazdálkodás. alkalmazott ökológiai tudományterület az állatökológia egy meghatározott állatcsoporttal (vadként definiált
RészletesebbenPopulációbecslések és monitoring 1. gyakorlat. Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb
Populációbecslések és monitoring 1. gyakorlat Nem minden állat látható fogásos módszerek Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb 1. Egyszerű arányváltozás - zárt populáció,
RészletesebbenTantárgy: BEVEZETÉS A TUDOMÁNYOS KUTATÁS MÓD- SZERTANÁBA
Tantárgy: BEVEZETÉS A TUDOMÁNYOS KUTATÁS MÓD- SZERTANÁBA Szak: BSc Testnevelő-Edző, Rekreáció-szervezés, Sportszervezés, Humánkineziológia Tagozat: nappali Tantárgyfelelős neve: DR. ZSIDEGH MIKLÓS Tanszék:
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
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
RészletesebbenFejezet. Hogyan gondolkodnak a közgazdászok? Elmélet, modellalkotás, empirikus tesztelés, alkalmazások
Fejezet 2 Hogyan gondolkodnak a közgazdászok? Elmélet, modellalkotás, empirikus tesztelés, alkalmazások Terminológia Átváltás, alternatív költség, határ-, racionalitás, ösztönző, jószág, infláció, költség,
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,
RészletesebbenBiomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November
RészletesebbenTémaválasztás, kutatási kérdések, kutatásmódszertan
Témaválasztás, kutatási kérdések, kutatásmódszertan Dr. Dernóczy-Polyák Adrienn PhD egyetemi adjunktus, MMT dernoczy@sze.hu A projekt címe: Széchenyi István Egyetem minőségi kutatói utánpótlás nevelésének
RészletesebbenSzocio- lingvisztikai alapismeretek
Szocio- lingvisztikai alapismeretek 10. A szociolingvisztika kialakulásának okai Hagyományos nyelvészet: A nyelv társadalmi normák strukturált halmaza (invariáns, homogén) Noam Chomsky: A nyelvelmélet
RészletesebbenStatisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában
Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,
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
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
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenS atisztika 1. előadás
Statisztika 1. előadás A kutatás hatlépcsős folyamata 1. lépés: Problémameghatározás 2. lépés: A probléma megközelítésének kidolgozása 3. lépés: A kutatási terv meghatározása 4. lépés: Terepmunka vagy
RészletesebbenStatisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
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 alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
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
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
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
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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.
RészletesebbenTerminológia. Átváltás, alternatív költség, határ-, racionalitás, ösztönző, jószág, infláció, költség, kereslet, kínálat, piac, munkanélküliség
Hogyan gondolkodnak a közgazdászok? Elmélet, modellalkotás, empirikus tesztelés, alkalmazások Fejezet Terminológia Átváltás, alternatív költség, határ-, racionalitás, ösztönző, jószág, infláció, költség,
RészletesebbenPopulációbecslések és monitoring 1. gyakorlat. Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb
Populációbecslések és monitoring 1. gyakorlat Nem minden állat látható fogásos módszerek Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb 1. Egyszerű arányváltozás - zárt populáció,
RészletesebbenHogyan gondolkodnak a közgazdászok? Elmélet, modellalkotás, empirikus tesztelés, alkalmazások
Fejezet 2 Hogyan gondolkodnak a közgazdászok? Elmélet, modellalkotás, empirikus tesztelés, alkalmazások Terminológia Átváltás, alternatív költség, határ-, racionalitás, ösztönző, jószág, infláció, költség,
RészletesebbenSzimulált vadkárok szántóföldi kultúrákban
Szimulált vadkárok szántóföldi kultúrákban Napraforgó, kukorica és őszi búza Dr. habil. Marosán Miklós iü. szakértő Dr. Király István iü. szakértő Bevezetés A termésképzés befejeződése előtt keletkező
RészletesebbenAz értékelés során következtetést fogalmazhatunk meg a
Az értékelés során következtetést fogalmazhatunk meg a a tanuló teljesítményére, a tanulási folyamatra, a célokra és követelményekre a szülők teljesítményére, a tanulási folyamatra, a célokra és követelményekre
RészletesebbenEgyszempontos variancia analízis. Statisztika I., 5. alkalom
Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek
RészletesebbenPopuláció A populációk szerkezete
Populáció A populációk szerkezete Az azonos fajhoz tartozó élőlények egyedei, amelyek adott helyen és időben együtt élnek és egymás között szaporodnak, a faj folytonosságát fenntartó szaporodásközösséget,
RészletesebbenMit mond a XXI. század emberének a statisztika?
Mit mond a XXI. század emberének a statisztika? Rudas Tamás Magyar Tudományos Akadémia Társadalomtudományi Kutatóközpont Eötvös Loránd Tudományegyetem Statisztika Tanszék Nehéz a jövőbe látni Változik
RészletesebbenVÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak
Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik
RészletesebbenA MODELLALKOTÁS ELVEI ÉS MÓDSZEREI
SZENT ISTVÁN EGYETEM GÖDÖLLŐ MECHANIKAI ÉS GÉPTANI INTÉZET A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI Dr. M. Csizmadia Béla egyetemi tanár, az MMK Gépészeti Tagozatának elnöke Budapest 2013. október. 25. BPMK
RészletesebbenZáróvizsga témakörök Vadgazda mérnök BSc szak június 12. Az ugaroltatás (set-aside), mint a mezei élőhelygazdálkodás eszköze.
Záróvizsga témakörök Vadgazda mérnök BSc szak 2017. június 12. Élőhelyfejlesztés Az ugaroltatás (set-aside), mint a mezei élőhelygazdálkodás eszköze. A passzív és az aktív élőhely-fejlesztés. Tiltott és
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenIntegrált vad- és élőhelygazdálkodás: nagyvadgazdálkodás. Elméleti alapok
Integrált vad- és élőhelygazdálkodás: nagyvadgazdálkodás Elméleti alapok Ökológiai alapok: populációk jellemzése Formai struktúrelemek: monogén struktúrelemek (egyedhez kötöttek, pl. szín, ivar, kor);
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:
RészletesebbenAz Európai Unió Tanácsa Brüsszel, szeptember 5. (OR. en)
Az Európai Unió Tanácsa Brüsszel, 2017. szeptember 5. (OR. en) 11882/17 ADD 1 FEDŐLAP Küldi: az Európai Bizottság főtitkára részéről Jordi AYET PUIGARNAU igazgató Az átvétel dátuma: 2017. szeptember 4.
RészletesebbenA nagyvad által okozott mezőgazdasági vadkár ökológiai összefüggései
A nagyvad által okozott mezőgazdasági vadkár ökológiai összefüggései Náhlik András Nyugat-magyarországi Egyetem Vadgazdálkodási és Gerinces Állattani Intézet Bevezetés Európa nagyon kevés országában van
RészletesebbenAz empirikus vizsgálatok alapfogalmai
Az empirikus vizsgálatok alapfogalmai Az adatok forrása és jellege Milyen kísérleti típusok fordulnak elő a beszédtudományokban? Milyen adatok jönnek ki ezekből? Tudományosan (statisztikailag) megválaszolható
RészletesebbenA vad tulajdonjoga vadkárért való felelősség
A vad tulajdonjoga vadkárért való felelősség Konferencia 2014. Május 14. Dr. Pecsenye Csaba Vadak tulajdonjogának megszerzése Főszabály A vadak az állam tulajdonában vannak Kivétel Vadászterületen elejtett,
RészletesebbenSzakdolgozatok javasolt témakörei a VadVilág Megőrzési Intézet által gondozott szakok/szakirányok hallgatói részére. (2010 szeptember) Dr.
SZENT ISTVÁN EGYETEM MEZŐGAZDASÁG- ÉS KÖRNYEZETTUDOMÁNYI KAR VADVILÁG MEGŐRZÉSI INTÉZET 2103 GÖDÖLLŐ, PÁTER KÁROLY U. 1 TEL:(28) 522 086 FAX:(28) 420 189 E-MAIL: S.CSANYI@GMAIL.COM Szakdolgozatok javasolt
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
RészletesebbenFİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20.
FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) 2010. október 20. A kutatási terv fogalmának, a különbözı kutatási módszerek osztályozása, a feltáró és a következtetı kutatási módszerek közötti különbségtétel
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:
RészletesebbenÁruforgalom tervezése. 1. óra A gazdasági statisztika alapjai Alapfogalmak, viszonyszámok
Áruforgalom tervezése 1. óra A gazdasági statisztika alapjai Alapfogalmak, viszonyszámok Alapvető gazdasági számítások 1. Egy vállalkozás tevékenysége nagyon összetett. Szükség van arra, hogy ismerjük
RészletesebbenA tudományos munka. Megismerés. Megismerés. Tudományos megismerés jellemzői:
A tudományos munka Megismerés Tudományos Az egyedi jelenséget mint az általános egy kiragadott példáját vizsgálja Megismételhető Az emberi szubjektum visszaszorítása A megismert új elemeket be kell illeszteni
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
RészletesebbenI. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI
I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI 1 A digitális áramkörökre is érvényesek a villamosságtanból ismert Ohm törvény és a Kirchhoff törvények, de az elemzés és a tervezés rendszerint nem ezekre épül.
RészletesebbenAz éghajlati modellek eredményeinek alkalmazhatósága hatásvizsgálatokban
Az éghajlati modellek eredményeinek alkalmazhatósága hatásvizsgálatokban Szépszó Gabriella Országos Meteorológiai Szolgálat, szepszo.g@met.hu RCMTéR hatásvizsgálói konzultációs workshop 2015. június 23.
RészletesebbenDr. Kántor Béla
Dr. Kántor Béla szükséges a könyvvizsgálói vélemény és jelentés alátámasztásához. jellegét tekintve kumulatív, és elsősorban a könyvvizsgálat során végrehajtott könyvvizsgálati eljárásokból származik.
RészletesebbenGroszeibl Zoltán Igazságügyi szakértő
Groszeibl Zoltán Igazságügyi szakértő . A vadkárelhárítás gyakorlata A vadkár megelőzés, -elhárítás, vizsgálata a szakértő szemével A vadkár megelőzés, -elhárítás környezete, körülményei. Az egyes módszerek
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)
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
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
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,
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
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
Részletesebben