A pont példájának adatai C1 C2 C3 C

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "A pont példájának adatai C1 C2 C3 C"

Átírás

1 A 3..5 pont példájának adatai C C C3 C

2 4. Statisztikai jellemzõk megízhatósága 4. Konfidencia tartomány, konfidencia szint A mintákól meghatározott ecslõk magukan is érdekesek lehetnek, különösen, ha minták összehasonlításáról van szó. Természetes azonan, hogy a jellemzõk akkor értékesek igazán, ha azok megízhatóságáról is van képünk. Ez a kívánalom egyenértékü azzal, hogy töé kevésé ismerjük a ecslõ statisztikák eloszlását, de legaláis alkalmazhatunk néhány valószínûségszámításól ismert egyenlõtlenséget. Emlékeztetünk arra, hogy a mintákól számított ecslések valószínûségi változók függvényei lévén maguk is valószínûségi változók. A gyakorlatan a kérdések általáan így vetõdnek fel: (a) mi a valószínûsége annak, hogy a valószínûségi változó egy realizációja (= a következõ megfigyelt adat) elõírt határok közé essék (pl a x )? () melyek azok a határok, amelyek közé a következõ megfigyelt adat elõírt valószínûséggel esik? A két kérdés lényegéen ugyanaz, egyik feladat a másik inverze. Az (a) kérdéssel egyegy megfigyelést értékelünk, a () kérdéssel követelményeket fogalmazunk meg, pl. pontasságot írunk elõ. Ha ismerjük a szóanforgó valószínûségi változó eloszlásfüggvényét, mindkét kérdésre választ kaphatunk: ( a x ) = F( ) F( a) f ( x) p < = dx (4.) a A továiakan az általánosság kedvéért folytonos valószínûségi változók esetére mutatjuk e a megoldások gondolatmenetét. 4. Nevezetes eloszlások Természettudományos gyakorlatunkan egyik leggyakori eloszlásfüggvény a normális eloszlás. Ha valamely vizsgált változóra számos, önmagáan kis hatású, a változó értékét egyforma eséllyel növelõ vagy csökkentõ tényezõ is hat, számíthatunk arra, hogy megfigyelt értéke normális eloszlású lesz. 4.. A normális eloszlás A (4.) integrál ezeseten: ( a x ) ( x µ ) < = exp (4.) σ π a σ p ahol µ az x változó várható értéke, σ pedig annak szórása. (4.) függvénynek nincs analitikusan megadható integrálja, értékeit numerikusan számítják ki az

3 3 u x = µ σ standardizált, 0-közepû és szórású változóra, - és x határok között. (Ezt az eloszlást szokás N(0,) röviditéssel jelölni). Miután a x Φ( x) = exp ( u / ) du (4.3) π függvény szimmetrikus, tálázatokan csak az eloszlás (második) felét adják meg, 0 és + határok között, ahol a Φ(x) valószínûség 0.5.tõl -ig nõ. Negativ x argumentumok esetén a valószínûséget x x ( ) f ( u) du = f ( u) du = Φ x (4.4) módon kell keresni. Ha arra vagyunk kiváncsiak, mi annak valószínûsége, hogy x a - és + határok között lép fel, a tálázat argumentumához tartozó érték kétszereséõl ki kell vonnunk -et. Ugyanis: ( ) = Φ f = ( u) du f ( u) du f ( u) du = f ( u) du f ( u) du = f ( u) du = Érdemes megjegyezni, hogy normális eloszlás esetén p(- x ) = Φ() = p(- x ) = Φ() = p(-.96 x.96) = Φ(.96) = p(-3 x 3) =Φ(3) = illetve nem standardizált változóra: p((µ σ) x (µ+σ)) = p((µ σ) x (µ + σ)) = p(µ.96σ) x µ +.96σ) = p((µ 3σ) x (µ + 3σ)) = (4.5) Azt a tartományt amelye a valószínûségi változó várhatóan p valószínûséggel esik, a változó p szintû megízhatósági vagy konfidencia tartományának nevezik. A változó természetesen α = - p valószínûséggel a konfidencia tartományon kívül is realizálódhat. Ezt az α értéket tévedési valószínûségnek szokás nevezni. A konfidencia tartományt gyakran α szintû tartománynak is nevezik.

4 4 A evezetésen feltett () kérdés, azaz az, hogy megkívánt, rendszerint kerek konfidencia szinthez milyen ± kσ konfidencia határok tartoznak, alkalmasan átrendezett tálázatokkal válaszolható meg. p α = - p k A normális eloszlás -és a továiakan tárgyalt Student és χ eloszlások számértékeit kézikönyveken vagy pl. a internetcímen lehet megtalálni. 4.. A Student eloszlás Ha egy normális eloszlású sokaságól vett minta sok elemû (n > 0), akkor a mintáól számított s standard deviáció jól ecsüli az elméleti szórást, σ-t. Ha azonan nem ez a helyzet, a kevese elemû mintáól ecsült s standard deviációval szélese konfidencia tartományt kell megadnunk ahhoz, hogy iztonságunk megmaradjon. A helyes összefüggéseket ezeken az eseteken a normális eloszlás helyett a Student eloszlás adja meg, amelynél a konfidencia tartományok szélességét megadó t szorzók a minta elemszámától, pontosaan a minta szaadsági fokától függenek. A szintén szimmetrikus F ν + Γ t du, (4.6) ν+ νπ ν Γ u + ( ν t) = Student eloszlás szintén tálázatoltan található. Leghasználatosaak azok a tálázatok, amelyekkel az α tévedési valószínüséghez és a ν szaadsági fokhoz tartozó konfidencia tartomány határai kereshetõk ki. (Minta. 4. tálázat)

5 5 4. tálázat. Student eloszlás t értékei, különözõ mérésszámnál α = - p T n = 3 n=5 n = , A χ eloszlás Mivel a valószínûségi változók négyzetei (pl. a szórás négyzete, a variancia ) gyakorlatunkan igen jelentõsek, fontos szerepû az a függvény, amelyik a független, különkülön N(0,) eloszlású változók χ = X + X X ν (4.7) összegének eloszlását adja meg, a χ eloszlásfüggvény: F ( ν, x) = ν x ν u, u e du (4.7) ν 0 Γ ahol ν a szaadsági fok, a független valószínûségi változók száma. A függvény láthatóan két változótól függõen adja meg azt, mi a valószínûsége annak, hogy a változók négyzetösszege x- nél kise Az F eloszlás A normális és Student eloszlást sikeresen alkalmazzák normális változók különségeinek vizsgálatára. Valószínûségi változók négyzetösszegei esetén hasznosanak izonyult azok hányadosainak kritikus megítélése. Erre a feladatra (nevezetesen annak eldöntésére,.hogy egyezõnek vagy eltérõnek tekinthetõ-e két változó négyzetösszege) az Fisher féle F eloszlás alkalmas. Ez a függvény két független, χ eloszlású változó hányadosának eloszlásáról tájékoztat. Az F függvény az ν X i / ν i= F = ν (4.8) Y / ν i= i

6 6 hányados adott határok közötti elõfordulási valószínûségét adja meg, ahol ν és ν a számláló és nevezõ szaadsági foka. F számlálójáan és nevezõjéen varianciákat ismerhetünk fel. Az F eloszlás 0 és + között értelmezett. Eõl következõen az F törten a számlálónak kell kisenek lennie. A gyakorlatan használt F tálázatokan a választott α tévedési valószínûségnek, továá a számláló és a nevezõ szaadsági fokának ismeretéen lehet megtalálni azt a kritikus Fˆ értéket, amelynél egyezõnek feltételezett változók esetén a kisérletileg megkapott F érték nem lehet nagyo. 5. Statisztikai hipotézisek, statisztikai döntések. 5. Alapelvek Az olyan ecslések, mint a középérték, a szórás valószínûségi változók, amelyeknek megvan a maguk eloszlása, várható értéke, szórása. Ha ez így van, feltehetõk olyan kérdések, hogy két ecslés véletlenül tér-e el egymástól vagy az eltérésnek jelentõs oka van? Más szavakkal fogalmazva kérdezzük:két ecslés ugyanahhoz a sokasághoz tartozik-e, azaz, ha számértékük eltér, akkor ez annak tulajdonítható-e, hogy más sokasághoz tartoznak, vagy csak a véletlennek? Ezekre a kérdésekre válaszolnak a statisztikai próák. A válaszadás gondolatmenete ez: (a) meg kell határozni két összehasonlítandó érték eltérését (különségét). () ha ismerjük a vizsgált valószínûségi változók eloszlását, akkor a két érték különségérõl eldönthetõ, hogy mekkora annak fellépési valószínûsége. Az eltéréseket a különség szórásához viszonyítjuk, azt vizsgáljuk, nagyo-e az eltérés ennél a szórásnál, vagy annak két-, háromszorosánál. (c) ha úgy itéljük, hogy ez a valószínûség kicsiny, akkor az eltérést nem a véletlennek tulajdonítjuk és a két értéket jelentõsen, szignifikánsan eltérõnek nyilvánítjuk, tudva azt, hogy tévedhetünk is. A kis valószínûség szokásosan az α tévedési valószínûséggel egyezik. Hogy az eltérés mekkora valószínûségét tekintjük majd kicsiny -nek (mekkora tévedési valószínûséget vállalunk), az a feladat körülményeitõl függõ, elõzetes elhatározás kérdése. Belátható, hogy a választást a próa elött illik megejteni. A gondolatmenetet és a használt szakkifejezéseket szemléljük meg egy példán. Tegyük fel, hogy arra vagyunk kiváncsiak, egy valószínûségi változó konkrét x értéke eletartozik-e egy, általunk ismert µ középértékû és σ szórású normális sokasága vagy nem? Más szavakkal arra, hogy a µ -x különség eesik-e ( 3σ x µ< + 3σ ) tartománya? Ha nem, akkor egy 0.7% valószínûségû esemény következett e. Ha ezt kicsinynek ítéljük, akkor azt mondjuk, x nem tartozik a sokasághoz és een 0.7%

7 7 valószínûséggel tévedhetünk, hiszen elven végtelen nagy vagy kicsi elem is lehetne a sokaság eleme. Formálisan ezt tesszük: A p(µ - uσ x< µ + uσ ) (5.) valószínûség nem változik, ha a zárójeleken elüli eseményt leíró egyenlötlenséget szaályosan átalakítjuk: (µ - uσ x< µ + uσ) = (- uσ x - µ < + uσ) = ( x - µ uσ) x µ σ u Nos, ha az egyenlõtlenség aloldala, amit û módon is szoktak jelölni nagyo, mint három, akkor a x ν p > 3 (5.) σ valószínûség a normális eloszlás tálázata szerint = 0.7%, ami kicsiny valószínûség, ezért x-et nem tartjuk, a sokaság elemének. 5. Statisztikai hipotézisek Mivel statisztikai vizsgálattal az igazságot aszolut izonyossággal nem sikerül megállapítani, az állításokat hipotéziseknek nevezzük, és nem azt mondjuk róluk, hogy igazak, vagy hamisak, hanem azt, hogy elfogadjuk-e õket, vagy elvetjük. 5.. Nullahipotézis és alternatív (ellen)hipotézis Feltevésünk általáan az, hogy a vizsgált ecslések megegyeznek, azaz különségük 0. Innen a nullahipotézis elnevezés és a (H 0 ) jelölés H 0 : µ = µ (5.3) A nullahipotézissel szemen alternatív hipotézist (H A ) szokás felállítani, amely lehet a nullahipotézis ellentéte, de nem szükségképpen az. H A : µ µ (5.4) vagy például H A : µ > µ (5.5)

8 8 5.. Egyoldalas és kétoldalas hipotézisek Az (5.3) ( egyenlõ ) hipotézissel szemeállított (5.4) ( nem egyenlõ ) és (5.5) ( nagyo ) hipotéziseket meg kell különöztetnünk! Az elsõ eseten elvetjük a hipotézist akkor is, ha a µ - µ különség túl nagy negatív, és akkor is, ha ha túl nagy pozitív szám. Ha 5% tévedési valószínûséget választottunk,.5% valószínûséget kell adni annak, hogy a különség a "haranggöre" egyik végére,.5%-ot annak, hogy a másik végére essék. A kérdésfeltevést ezért is nevezik "kétoldalas" (two sided) feltevésnek. Ha viszont a H A : µ > µ alternatív hipotézissel foglalkozunk, csak az a határ érdekel, amelynél µ 5% valószínûséggel nagyo. mint µ. (Egyoldalas, one sided kérdésfeltevés.) Más szavakkal: ha kétoldalas a feltevés, azokat az u határokat figyeljük, amelyek a sûrüségfüggvény alatti.5% % valószínûségû területet határolják, egyoldalas eseten pedig a % valószínûségterületet. A gyakorlatan ez azt jelenti, hogy a kritikus u értékeket kétoldalas próánál a 0.05 (α/), egyoldalasnál a 0.05 (α ) oszlopan kell keresni Elsõfajú és másodfajú hiák Statisztikai hipotézisek elfogadásánál vagy elvetésénél kétféle hiát lehet véteni: elsõfajú és másodfajú hiákat: Egy igaz hipotézis elfogadása Egy igaz hipotézis elvetése Egy hamis hipotézis elvetése Egy hamis hipotézis elfogadása nincs hia elsõfajú, vagy α hia.- nincs hia másodfajú vagy β hia. A kétféle hia jelentõségét csak az adott helyzeten lehet mérlegelni. A körülmények döntik el, hogy mi okoz nagyo kárt: egy jo növényvédõszer elvetése, vagy egy rossz evezetése, egy eteg kezelésének elhagyása, vagy egy egészséges megoperálása. Az elsõfajú hia valószínûségét a tévedési valószínûség csökkentésével lehet kiseiteni. A másodfajú hia valószínûségének eállítása onyolulta kérdés. 5.3 Gyakori statisztikus próák A továiakan két gyakran használt példát mutatunk e. A példák tö szempontól egyszerûek, de jó megjegyezni, hogy a matematikai statisztikának a gyakorlatan felvetõdõ neheze feladatokra (nem normális, vagy ismeretlen eloszlású adatok, különözõ mérteû minták st.) is számos megoldása van Két számtani közép egyezésének vizsgálata Két mérési eredményt akarunk összehasonlítani. A mérési eredmények véges n és n párhuzamos mérés átlagai, számtani közepek, x.és x értékek. Tudni szeretnénk, eltér-e

9 9 egymástól a két eredmény. Egyszerûség kedvéért tételezzük fel, hogy a két eredményt ugyanannyi párhuzamos mért értékõl számították, és azt is, hogy a mérési módszer pontossága a két mérés között nem változott. Tegyük fel továá, hogy a mért értékek normális eloszlásúak. A nullahipotézis: H 0 : µ = µ Feltevés : σ = σ n = n Az ellenhipotézis: H A : µ µ A nullahipotézisõl következik, hogy a vizsgált valószínûségi változónk a µ µ küllönség. Kérdés, mi ennek a különségnek a szórása? Tudjuk, hogy az x számtani közép varianciáját az s /n mennyiség ecsli. A varianciák összeadhatóságáól következik, hogy az x x különség szórása ecslése: s / n + s / n, esetünken: ( s + s )/ n. A szaadsági fok: *(n-). Ismerve ezeket a mennyiséget A számított t: t$ = x x ( + ) s s / n Ezt a mennyiséget kell a tálázati kritikus t(α,ν)-értékkel összemérni. 5. Numerikus példa (L. Sachs: Statistische Methoden, Springer, Berlin 993. p. 77) Legyen x = 4.76, x = 40., s = 33.44, s =.55, n = 30 ˆ t = = =.8666 / ( ) t kritikus értéke 95%-os megízhatósági szinten, 58 szaadsági foknál: t( α / = 0.05, ν = 58) =.00 A µ - µ különség konfidencia tartománya: *.366 µ - µ < * µ - µ < A két középérték nem tér el egymástól szignifikánsan, H 0 -t megtartjuk, a különség konfidencia tartománya 95% valószínûséggel tartalmazza 0-t Tapasztalati szórások összehasonlítása Mint errõl a 4..3 és 4..4 pontan már szó volt, valószínûségi változók négyzetei összegének összehasonlítására célszerûen nem különségük, hanem hányadosuk eloszlásfüggvénye használtatik. Végesszámú mintákól ecsült varianciák ilyen mennyiségek, a

10 0 döntõ függvény az F-eloszlás. Ha a szórások négyzetének hányadosa meghalad egy izonyos, α-tól függõ értéket, akkor a két variancia - α iztonsággal eltér egymástól. Az F eloszlás két másik változója a számláló és nevezõ szaadsági foka. A próa lépései a következõk: Legyen adott minta. A minták elemszáma legyen n és n. A két mintáól meghatározunk két standard deviációt: s -et és s -t. Kérdés: szignifikánsan eltér-e a két szórás? ) Fogalmazzuk meg a hipotéziseket: H 0 : σ = H A : σ σ σ (kétoldalas kérdésfeltevés) H 0 : σ H A : σ = σ < σ (egyoldalas kérdésfeltevés) ) Válasszunk tévedési valószínûséget (α) 3) Válasszuk ki a két szórás közül a nagyoat. Kapja ez az indexet. 4) Képezzük a számított Fˆ hányadost: 5) Keressük meg F kritikus értékét =. $F s s F -nek három változója van: a tévedési valószínûség (α) és a két szaadsági fok: ν = n - és ν = n -. A kritikus F értékek a tálázatok α oldalán, a ν oszlopan és a ν soran találhatók. Egyoldalas kérdésfeltevésnél az α valószínüséghez tartozó tálázatot, kétoldalasnál az α/ valószínüséghez tartozó tálázatot kell választani. Ha a számított Fˆ nagyo a kritikusnál, a nullahipotézist el kell vetni, a szórások szignifikánsan eltérnek egymástól, adott tévedési valószínûséggel. 5. Numerikus példa: Elfogadhatjuk-e azt az 5. példáan megadott hipotézist, miszerint az aan szereplõ szórások megegyeznek? (L. Sachs: Statistische Methoden, Springer, Berlin 993. p. 77) H 0 : σ = H A : σ σ σ (kétoldalas kérdésfeltevés) α = 0.05 s = 33.44, s =.55, n = 30, n = 30, ν = 9,. ν = Fˆ = =.483 <.09 = F(9,9,0.05).55 A nullahipotézist elfogadjuk.

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

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

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

[Biomatematika 2] Orvosi biometria

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

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

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

Részletesebben

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

STATISZTIKA. 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

Részletesebben

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

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,

Részletesebben

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Statisztika 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

Részletesebben

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

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

Részletesebben

Intervallumbecsle 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. 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

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

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

Részletesebben

egyetemi jegyzet Meskó Balázs

egyetemi 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.

Részletesebben

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

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

Részletesebben

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Biomatematika 13. Varianciaanaĺızis (ANOVA) Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból

Részletesebben

A mérési eredmény megadása

A 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

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Általánosan, 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

Részletesebben

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Kiválasztás. 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

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

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

Részletesebben

A Statisztika alapjai

A 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

Részletesebben

Segítség az outputok értelmezéséhez

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

Részletesebben

Kutatásmódszertan és prezentációkészítés

Kutatásmódszertan 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

Részletesebben

K oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21.

K oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21. Középérték és variancia azonosságának próbái: t-próba, F -próba 2012. március 21. Hipotézis álĺıtása Feltételezés: a minta egy adott szempont alapján más populációhoz tartozik, mint b minta. Nullhipotézis

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós 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

Részletesebben

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Statisztikai 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

Részletesebben

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

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria 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

Részletesebben

biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat

biometria 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

Részletesebben

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia

Részletesebben

Matematikai geodéziai számítások 10.

Matematikai geodéziai számítások 10. Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai 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:

Részletesebben

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

TARTALOMJEGYZÉK. 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

Részletesebben

Biostatisztika Összefoglalás

Biostatisztika 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

Részletesebben

Matematikai statisztikai elemzések 3.

Matematikai 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

Részletesebben

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:

A 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,

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Dr. Karácsony Zsolt. Miskolci Egyetem november

Dr. 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

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA 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

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi

Részletesebben

[Biomatematika 2] Orvosi biometria

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

Részletesebben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz

Részletesebben

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 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

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

Részletesebben

Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József

Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József Matematika III. 9. : Statisztikai hipotézisek Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak

Részletesebben

A konfidencia intervallum képlete: x± t( α /2, df )

A 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,

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

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

Részletesebben

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016 Gyakorlat 8 1xANOVA Dr. Nyéki Lajos 2016 A probléma leírása Azt vizsgáljuk, hogy milyen hatása van a család jövedelmének a tanulók szövegértés teszten elért tanulmányi eredményeire. A minta 59 iskola adatait

Részletesebben

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések! ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test

Részletesebben

Excel segédlet Üzleti statisztika tantárgyhoz

Excel segédlet Üzleti statisztika tantárgyhoz 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

Részletesebben

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

STATISZTIKA 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

Részletesebben

KÖVETKEZTETŐ STATISZTIKA

KÖVETKEZTETŐ STATISZTIKA ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak

Részletesebben

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

Eloszlás-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

Részletesebben

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

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI, Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.

Részletesebben

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:

Részletesebben

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gazdasági matematika II. vizsgadolgozat, megoldással, Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak

Részletesebben

[Biomatematika 2] Orvosi biometria

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

Részletesebben

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

Egyszempontos variancia analízis. Statisztika I., 5. alkalom Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek

Részletesebben

Variancia-analízis (VA)

Variancia-analízis (VA) Variancia-analízis (VA) 5. elıadás (9-10. lecke) VA lényege, alkalmazásának feltételei, adat-transzformációk 9. lecke Variancia-analízis lényege Szórások egyezésének ellenırzése A Variancia-Analízis (VA)

Részletesebben

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 17. Outline 1 Leíró statisztikák 2 Középértékek Példa 3 Szóródási mutatók Példa 4 Néhány megjegyzés a grafikonokról 5 Számítások

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre

Részletesebben

A maximum likelihood becslésről

A 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

Részletesebben

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél

Részletesebben

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,

Részletesebben

Varianciaanalízis 4/24/12

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

Részletesebben

Számítógépes döntéstámogatás. Statisztikai elemzés

Számítógépes döntéstámogatás. Statisztikai elemzés SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió 6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V

Részletesebben

Kabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.

Kabos: 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:

Részletesebben

SHk rövidítéssel fogunk hivatkozni.

SHk rövidítéssel fogunk hivatkozni. Nevezetes függvény-határértékek Az alábbiakban a k sorszámú függvény-határértékek)re az FHk rövidítéssel, a kompozíció határértékéről szóló első, illetve második tételre a KL1, illetve a KL rövidítéssel,

Részletesebben

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull 14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:

Részletesebben

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Alap-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:

Részletesebben

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

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

Részletesebben

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat során a rendelkezésre álló adatok (statisztikai

Részletesebben

Folyadékszcintillációs spektroszkópia jegyz könyv

Folyadékszcintillációs spektroszkópia jegyz könyv Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés

Részletesebben

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

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

Részletesebben

1. Gauss-eloszlás, természetes szórás

1. 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

Részletesebben

Számelméleti alapfogalmak

Számelméleti alapfogalmak 1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =

Részletesebben

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

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

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési 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

Részletesebben

Nemparametrikus tesztek. 2014. december 3.

Nemparametrikus tesztek. 2014. december 3. Nemparametrikus tesztek 2014. december 3. Nemparametrikus módszerek Alkalmazásuk: nominális adatok (gyakoriságok) esetén, ordinális adatok esetén, metrikus adatok esetén (intervallum és arányskála), ha

Részletesebben

1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik. (b) Mit nevezünk másodfajú hibának?

1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik. (b) Mit nevezünk másodfajú hibának? Statisztika 2015. május 08. D csoport Név Neptun kód 1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik pályázatnál 320 pályázóból 42 nyert, a másik pályázatnál

Részletesebben

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

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

Részletesebben

Biometria gyakorló feladatok BsC hallgatók számára

Biometria gyakorló feladatok BsC hallgatók számára Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90

Részletesebben

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,

Részletesebben

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat. Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ

Részletesebben

4. A méréses ellenırzı kártyák szerkesztése

4. A méréses ellenırzı kártyák szerkesztése 4. A méréses ellenırzı kártyák szerkesztése A kártyákat háromféle módon alkalmazhatjuk. Az elızetes adatfelvétel során a fı feladat az eloszlás paramétereinek (µ és σ ) becslése a további ellenırzésekhez.

Részletesebben

Készítette: Fegyverneki Sándor

Készítette: Fegyverneki Sándor VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet

Részletesebben

Variancia-analízis (folytatás)

Variancia-analízis (folytatás) Variancia-analízis (folytatás) 7. elıadás (13-14. lecke) Egytényezıs VA blokk-képzés nélkül és blokk-képzéssel 13. lecke Egytényezıs variancia-analízis blokkképzés nélkül Az átlagok páronkénti összehasonlítása(1)

Részletesebben