Növénytársulások cönológiai felvételezése
|
|
- Mariska Szilágyiné
- 6 évvel ezelőtt
- Látták:
Átírás
1 Növénytársulások cönológiai felvételezése Egy növényközösség fajösszetételének és mennyiségének meghatározása terepi módszerekkel. 1. Fajlista felvétele 2. Mennyiségi adatok felvétele A görbe telítődési jellegű Egy terület-átvizsgálási idő Egy terület évek
2 Növénytársulások cönológiai felvételezése 2. Mennyiségi adatok felvétele - közvetlen számolás - becslés mintavétellel Becslés: valamilyen változó értékének közelítő megállapítása, ha a pontosabb érték elérése nem szükséges, vagy nincs rá forrás. a mintavételi terület mérete, alakja, a kihelyezés módja, az ismétlések száma. Mintavételi meggondolások: A mintavételi négyzet felvételezésének menete. Az eredmények táblázatos összesítése (cönológiai tabella készítése).
3 Plotless és kvadrát módszerek Alak Méret (minimiárea) Darabszám Ezek meghatározzák, hogy milyen pontossággal tudjuk átvizsgálni a mintaterületet. Kihelyezési mód ->
4 Három pontmintázat típus: szabályos véletlenszerű csoportosulásos
5 Szemiszisztematikus (helytelen) neve térben rétegezett elrendezés
6 Térfolyamati mintavétel
7 Klonális növekedési formák: Falanx Az egyed fogalma nehezen értelmezhető, terepen nem számolható. Egyedszám helyett használható: -Hajtásszám -Biomassza -Borítás Gerilla
8 Tömegesség megadása: borításbecslés bináris értékek sorozatával Elvileg járható út, terepen nem alkalmazható időigényes volta miatt
9
10 Fehér: 97% piros 3%
11
12 Fehér: 80% piros 20%
13
14 Fehér: 60% piros 40%
15
16 Fehér: 5% piros 95%
17
18 Fehér: 42% piros 58%
19
20
21 Itt kezdődött a 2. óra. Tömegesség megadása: Számítógépes szimuláció egyszerű esetei
22 Egy nehéz eset Az 50%-os borítottság környékén a legnehezebb a döntés.
23 A résztvevők eredményei a %-os skálán
24 A becslésre fordított idő érdemben nem befolyásolta az elért pontosságot (r~0.2)
25 A megszokott 10-es számrendszer rányomja bélyegét az eredményekre:
26 Vendégdia: Bináris Feladat: pontok kijelölésével próbáld megbecsülni, hogy a piros (nyomtatva fekete) foltok a négyzet hány százalékát foglalják el! A lap oldalán tízesével írjál 0-t vagy 1-et, 10x10-et, és számold ki az 1 /összes hányadost tízesével! Készíts ábrát, ahol a az elemszám függvényében ábrázolod a hányadost!
27 3 skálatípus, a táblázatok konkrét értékei nem számonkérendő információk, de az elvük igen. Alkalmazás a klasszikus felvételezés/tipizálás időszakában Klasszikus Braun-Blanquet skála: r borítás < 1%, egyedszám 1(-2), kis borítású egyed + borítás <1%, legfeljebb 5 kis borítású egyed 1 borítás 1-5%, egyedszám 6-50 (illetve 1-5 nagy borítású egyed) 2 borítás 5-25%, egyedszám 50 felett 3 borítás 25-50%, egyedszám tetszőleges 4 borítás 50-75%, egyedszám tetszőleges 5 borítás %, egyedszám tetszőleges
28 Finomított Braun-Blanquet skála: A-D Borítás% vagy kevesebb vagy több
29 Londo skála: r1 borítás < 1%, egyedszám nagyon kevés, többnyire 1 egyed p1 borítás < 1%, egyedszám kevés a1 borítás < 1%, egyedszám sok m1 borítás < 1%, egyedszám nagyon sok r2 borítás 1-3%, egyedszám nagyon kevés, többnyire 1 egyed p2 borítás 1-3%, egyedszám kevés a2 borítás 1-3%, egyedszám sok m2 borítás 1-3%, egyedszám nagyon sok r4 borítás 3-5%, egyedszám nagyon kevés, többnyire 1 egyed p4 borítás 3-5%, egyedszám kevés a4 borítás 3-5%, egyedszám sok m4 borítás 3-5%, egyedszám nagyon sok 1 borítás 5-15% 2 borítás 15-25% 3 borítás 25-35% 4 borítás 35-45% 5- borítás 45-50% 5+ borítás 50-55% 6 borítás 55-65% 7 borítás 65-75% 8 borítás 75-85% 9 borítás 85-95% 10 borítás %
30 Cover Monitoring Assistant (CMA) Program
31
32 Állandó kvadrátok: a variancia csökkentése
33 Plotless módszerek closest individual method nearest neighbor method Line intersect - a valódi transzekt
34 point-intersect method
35 A terepen megszerzett adatok feldolgozása Cönológiai tabella A Felső-Szigetköz tölgy-kőris-szil ligetei a Duna elterelése előtt (Készítette Kevey Balázs) A-D K % Aethusa cynapium (Che) C I 20 Alliaria petiolata (Epa) C II 30 Angelica sylvestris (Mag,Ate,AP) C IV 70 Arctium lappa (Ar,Pla,Spu) C I 20 Arctium minus (Ar,Bia,Pla) C II 30 Brachypodium sylvaticum C II 40 Calystegia sepium (Pte,Bia,Pla,Spu,Ate) C I 10 Clematis vitalba A I 10 Convallaria majalis C III 50 Cornus sanguinea B IV 70 Deschampsia caespitosa (Des,Sal,Ate,AP) C I 10 Galeopsis bifida (Cal) C IV 70 Lamium maculatum (CF,Agi,Cp,Qrp) C III 50 Parietaria officinalis (Cal,TAc) C I 20 Phalaroides arundinacea (Des) C I 20 Poa trivialis (Pte,Spu,Ate,AP) C V 90 Sisymbrium loeselii (Sio) C I 10 Symphytum officinale (Pte,Cal,Spu,Ate,AP) C I 20
36 Rang-abundancia diagrammok: Tömegviszonyok változása időben, Parlag szukcesszió, D-Illinois, USA
37 Faj-egyed diverzitás Annak a bizonytalanságát fejezi ki, hogy egy egyedről előre megmondjuk, hogy mely populációba tartozik. Ezt a bizonytalanságot növeli a populációk száma és a tömegviszonyok egyenletessége. S1=2 S2=4 < Tömegviszonyok egyenletesek S1=3 S2=3 < Tömegviszonyok eltérőek
38 Faj-egyed diverzitás számszerűsítése Shannon(-Weaver) diverzitás: S H p i log p i 1 Az egyedei kiválasztáskor nyerhető átlagos információmennyiség entrópia. Egyenletesség: Diverzitási érték / az adott fajszámnál lehetséges max. diverzitás E Shannon(-Weaver) egyenletesség: H H max Simpson diverzitás: D 1 H S i 1 max 2 p i D max log S 1 1 S i Annak valószínűsége, hogy két függetlenül kiválasztott egyed különböző fajhoz tartozik.
39 Skála Definíció Példák Nominális 1.kvalitatív, nevekből áll 2.nincs rangsor ivar, betegség, fajnév, cselekvési típus, prezencia-abszencia adatok Ordinális Intervallum Arány/ hányados 1.kvalitatív, rangsor lehetséges 2.értékek közti távolság tetszőleges 1.kvantitatív, rangsor, értékek közti különbség mutatja a távolságot 2.önkényes nulla pont 3.arányok nem értelmezhetők 1.kvantitatív, rangsor, értékek közti intervallum mutatja a távolságot 2.valódi nullapont 3.arányok értelmezhetőek agresszivitás: erős, közepes, gyenge, borítás skálák, W-értékek, rangok C hőmérséklet, IQ testsúly, magasság, életkor, mért értékek A megkülönböztetés fontos: kváziátlagok a statisztikában általában mérhető és megállapítható változókat különböztetnek meg. bináris (előnyei-hátrányai) folytonos vagy diszkrét közöttük átmenet: Simon Levin statisztikus véleménye (termésszám-terméssúly)
40 A biomonitorozás alapjai
41
42 Vizsgálat (survey) Olyan adatgyűjtés, melynek során a vizsgált változók állapotát egy standard eljárás szerint kvalitatív vagy kvantitatív adatokkal leírjuk, általában egy nem túl hosszú időtartamú vizsgálatsorozat keretében. A várható eredményekkel kapcsolatban nincs előzetes elvárásunk. Hosszú távú vizsgálatsorozat (surveillance) Időben kiterjesztett vizsgálat, aminek az a célja, hogy hosszú távú adatsorokkal dokumentálja a kérdéses állapotváltozók időbeli változását. Az eredményekre vonatkozóan szintén nincs előzetes elvárásunk. Monitorozás (monitoring) Időben rendszertelenül vagy rendszeresen megismételt megfigyelés. A vizsgálat célja az, hogy a standarddal való egyezést igazolja, vagy éppen bemutassa az eltérést és annak mértékét.
43
44 Eszközök Karók, cölöpök, gödrök Talajba mélyesztett fémeszközök + detektor GPS Biciklikerék + cső Fényképezőgép Diktafon Térkép, légifotó ezek segítségével bizonyos mértékben a múltba is vissza lehet tekinteni: Itt kezdődött a 3. óra. Tájtörténet viszonyítási alap mi legyen?
45 A jelölők nem hagyhatók a terepen (eltűnés, balesetveszély, károkozás)
46 Rögzítés hosszú ideig a helyszínen maradó objektumhoz
47 Példák monitoring helyszíneinek megváltozására
48
49
50 A helyszínek dokumentálásának pontosnak kell lenni
51 Viszonyítási alapok Fajszámok változása Fajkicserélődés Kipusztulás: (50) év! Tömegesség változása: szubjektivitás! időjárás! koncepcióváltás! független hatások! és a monitorozott hatás
52 A Duna-meder 1994-ben
53 A Duna-meder 2001-ben
54 A Duna-meder 2005-ben
55 A Duna-meder 2009-ben
56 A folyóparti füzes 2009-ben A monitoring során koncepcióváltás történt
57
58
59
60
61 Eredeti növényzet Tájhasználat változás Megváltozott növényzet
62 Space for time substitution
63 Adatvesztés Stewart Brand 2001: Amíg világ a világ: idő és felelősség a hosszú most órája. Vince Kiadó, Budapest könyvtári
64 - Hardverhiba (meghibásodás, eltűnés) - Hardver inkompatibilitás - Szoftver inkompatibilitás - legend hiánya Okok: Védekezés: - Biztonsági másolatok független helyeken - Szoftver nemzedékváltáskor az adatformátumot is frissíteni kell - A bárhogyan is tárolt adatokat úgy kell feliratozni/kommentálni, hogy - Sokkal később és esetleg mások számára is egyértelműen értelmezhető legyen
65 Élőhely- és vegetációtérképezés - térképek
66 Erdészeti üzemtervi térkép üzemtervi adatokkal kiegészítve
67
68
69
70
71
72 Légifotó fekete-fehér, színes, infravörös, szélesspektrumú növényzeti folt lehatárolás, nehezen megközelíthető terület becsülhető, eldugott folt feltűnik, idősor elemzésre alkalmas használhatóságot befolyásol: ortografikus torzítás, árnyék, repülési időszak (lombozat), fényképezés minősége
73
74
75
76 Űrfotó Spot (pankromatikus), Landsat (több spektrális sáv). Google Earth Térbeli felbontása rosszabb (?), mint a légifotóé. GPS (Global Positioning System)
77
78
79
80
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
RészletesebbenA következő alkalommal 1. ZH.
A következő alkalommal 1. ZH www.hahn.hu/oktat/szunbotanika.htm Növénytársulások cönológiai felvételezése Egy növényközösség fajösszetételének és mennyiségének meghatározása terepi mintavétellel. 1. Fajlista
RészletesebbenMINTAVÉTELEZÉS. Alaptípusai: sampling. véletlen érvényesítésére v. mellőzzük azt. = preferenciális mintav. = véletlen mintav.
A teljes alapsokaságot nem ismerhetjük meg. MINTAVÉTELEZÉS Fontossága: minden későbbi értékelés ezen alapszik. Alaptípusai: Szubjektív folyamat Objektív folyamat (non-probabilistic) (probabilistic) sampling
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
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
RészletesebbenVáltozótípusok. bináris (előnyei-hátrányai) - borításbecslés
Változótípusok Skála Definíció Példák Nominális 1.kvalitatív, nevekből áll 2.nincs rangsor ivar, betegség, fajnév, cselekvési típus, prezencia-abszencia adatok Ordinális Intervallum Arány/ hányados 1.kvalitatív,
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
RészletesebbenBevezető Mi a statisztika? Mérés Csoportosítás
Gazdaságstatisztika 1. előadás Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.bmf.hu) Fogadóóra: szerda 11:30 11:55, TA125 Gyakorlatvezető
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
RészletesebbenKutatástervezés a tá vege ciót d u á om nyban Terresztris ökológia
Kutatástervezés a vegetációtudományban á Terresztris ökológia Ki mit vizsgál? A kutatók a vegetációt szakterületüknek megfelelően szemlélik: Növényökológus és cönológus: A vegetáció fajösszetétele és tömegességi
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
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
RészletesebbenTÁRSULÁSOK SZERKEZETÉNEK JELLEMZÉSE KVANTITATÍV MÓDSZEREKKEL
TÁRSULÁSOK SZERKEZETÉNEK JELLEMZÉSE KVANTITATÍV MÓDSZEREKKEL A társulások megismerése és tanulmányozása terepi mintavétellel kezdődik. A mintavétel - célja a terület minél alaposabb és torzításmentesebb
Részletesebben3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
Biostatisztika = Biometria = Orvosi statisztika Biomatematika 2. előadás Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések
RészletesebbenTérinformatika és Geoinformatika
Távérzékelés 1 Térinformatika és Geoinformatika 2 A térinformatika az informatika azon része, amely térbeli adatokat, térbeli információkat dolgoz fel A geoinformatika az informatika azon része, amely
Részletesebben[GVMGS11MNC] Gazdaságstatisztika
[GVMGS11MNC] Gazdaságstatisztika 1. előadás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.uni-obuda.hu)
RészletesebbenNövénytársulások cönológiai felvételezése
Növénytársulások cönológiai felvételezése Egy növényközösség fajösszetételének és mennyiségének meghatározása terepi mintavétellel. 1. Fajlista felvétele 2. Mennyiségi adatok felvétele 2. Mennyiségi adatok
RészletesebbenÉlőhelyvédelem. Kutatások
Élőhelyvédelem Kutatások Célkitűzések A hazai természetközeli növényzet mai állapotának pontos megismerése, teljes körű felmérése, természetes növényzeti örökségünk tudományos értékelése. Az ország nagy
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,
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
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,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenA vegetáció felmérésében. 1. előadás
A vegetáció felmérésében használt mintavételi módszerek Növényökológiai módszerek 1. előadás Mintavételezés é célja A mintavételezési módszerek kifejlesztésének é k mozgatórugója ój a lustaság A cél az
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenAz információelmélet alapjai, biológiai alkalmazások. 1. A logaritmusfüggvény és azonosságai
Az információelmélet alapjai, biológiai alkalmazások 1. A logaritmusfüggvény és azonosságai 2 k = N log 2 N = k Például 2 3 = 8 log 2 8 = 3 10 4 = 10000 log 10 10000 = 4 log 2 2 = 1 log 2 1 = 0 log 2 0
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,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenMatematikai 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
RészletesebbenKutatástervezés 1. rész, Hahn István
Kutatástervezés 1. rész, Hahn István 1. óra Adattípusok 1. A leggyakoribb változók osztályozása. A bináris változók jelentősége 3. Borításbecslés bináris mintavételi módszerrel 4. A leíró statisztika alapjai.
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 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,
RészletesebbenLÉGI HIPERSPEKTRÁLIS TÁVÉRZÉKELÉSI TECHNOLÓGIA FEJLESZTÉSE PARLAGFŰVEL FERTŐZÖTT TERÜLETEK MEGHATÁROZÁSÁHOZ
LÉGI HIPERSPEKTRÁLIS TÁVÉRZÉKELÉSI TECHNOLÓGIA FEJLESZTÉSE PARLAGFŰVEL FERTŐZÖTT TERÜLETEK MEGHATÁROZÁSÁHOZ DEÁKVÁRI JÓZSEF 1 - KOVÁCS LÁSZLÓ 1 - SZALAY D. KORNÉL 1 - TOLNER IMRE TIBOR 1 - CSORBA ÁDÁM
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése
Matematikai alapok és valószínőségszámítás Statisztikai változók Adatok megtekintése Statisztikai változók A statisztikai elemzések során a vizsgálati, vagy megfigyelési egységeket különbözı jellemzık
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot
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
RészletesebbenA Keleti-Bakony közösségi jelentőségű élőhelyeinek és fajainak megóvása és helyreállítása (LIFE07 NAT/H/000321)
A Keleti-Bakony közösségi jelentőségű élőhelyeinek és fajainak megóvása és helyreállítása (LIFE07 NAT/H/000321) A Balaton-felvidéki Nemzeti Park Igazgatóság tevékenysége a projekt alatt Petróczi Imre Balaton-felvidéki
RészletesebbenA hosszú távú biológiai monitoring módszertani problémái
Kalapos Tibor (szerk.): Jelez a flóra és a vegetáció. A 80 éves Simon Tibort köszöntjük. Scientia, Budapest. 2006. pp. 117-128. 9 A hosszú távú biológiai monitoring módszertani problémái Hahn István ELTE
RészletesebbenDemográfia. Def.: A születés, mortalitás, ki- és bevándorlás kvantifikálása. N jelenleg. = N korábban. + Sz M + Be Ki. A szervezetek típusai: UNITER
Demográfia Def.: A születés, mortalitás, ki- és bevándorlás kvantifikálása N jelenleg = N korábban + Sz M + Be Ki A szervezetek típusai: UNITER MODULÁRIS Ramet Genet 1 Élőlények egyedszámának meghatározása:
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
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
RészletesebbenHínártársulások, nádasok monitorozása
Természetvédelmi Információs Rendszer Központi protokoll Verzió: 2010. december 21. Hínártársulások, nádasok monitorozása Az eredeti protokollt készítette: Török Katalin Botta-Dukát Zoltán Steták Dóra
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.
RészletesebbenHeckman modell. Szelekciós modellek alkalmazásai.
Heckman modell. Szelekciós modellek alkalmazásai. Mikroökonometria, 12. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával készült
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenTávérzékelés a precíziós gazdálkodás szolgálatában : látvány vagy tudomány. Verőné Dr. Wojtaszek Malgorzata
Távérzékelés a precíziós gazdálkodás szolgálatában : látvány vagy tudomány Verőné Dr. Wojtaszek Malgorzata Az előadás felépítése Trendek a Föld megfigyelésében (hol kezdődött, merre tart ) Távérzékelés
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenMTA, Ökológiai Kutatóközpont, Ökológiai és Botanikai Intézet
Budapesti Agrártájak Corvinus elemzése növénytani Egyetemés madártani mérőszámok alapján Prezentáció cím egy Nagy vagy Gergő két Gábor sor, 1, Czúcz balrazárva Bálint 2 1 BCE, Tájépítészeti Kar, Tájtervezési
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenPaleobiológiai módszerek és modellek 11. hét
Paleobiológiai módszerek és modellek 11. hét A diverzitás fajtái és mérőszámai Nagy őslénytani adatbázisok: Sepkoski The Fossil Record Paleobiology Database A diverzitás fogalma Diverzitás sokféleség az
RészletesebbenTerepi módszerek a növényökológiában és cönológiában
Terepi módszerek a növényökológiában és cönológiában Tárgyleírás: A tárgy célja, hogy néhány típusfeladaton keresztül bemutassa a terepi növényökológiában leggyakrabban vizsgált problémákat (kérdéstípusokat),
RészletesebbenTerepi adatgyűjtés mobil eszközökkel a természetvédelemben
T E R M É S Z E T V É D E L E M Terepi adatgyűjtés mobil eszközökkel a természetvédelemben Dr. Takács András Attila Takács Gábor Biró Csaba Tartalom Bevezetés háttér információk GPS Természetvédelmi feladatok
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
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
RészletesebbenTerületi statisztikai elemzések
Területi statisztikai elemzések KOTOSZ Balázs, SZTE, kotosz@eco.u-szeged.hu Módszertani dilemmák a statisztikában 2016. november 18. Budapest Apropó Miért különleges a területi adatok elemzése? A számításokhoz
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenMinőségi változók. 2. előadás
Minőségi változók Növényökológiai módszerek 2. előadás Ki mit vizsgál? A kutatók a vegetációt szakterületüknek megfelelően szemlélik: Növényökológus és cönológus: A vegetáció fajösszetétele és tömegességi
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
RészletesebbenOrvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN
Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás
RészletesebbenA kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András
Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
RészletesebbenHosszú távú vizsgálat jobban kimutatja a társulási szabályok változásait a másodlagos szukcesszió során, mint a tér-idő helyettesítés módszere
Hosszú távú vizsgálat jobban kimutatja a társulási szabályok változásait a másodlagos szukcesszió során, mint a tér-idő helyettesítés módszere Anikó Csecserits, Melinda Halassy, Barbara Lhotsky, Tamás
RészletesebbenA kurzussal kapcsolatos információk elérhetősége http://zeus.nyf.hu/~szept/kurzusok.htm Irodalom: Standovár T., Primack, R.B. 2001. A Természetvédelmi biológia alapjai. 35-57 oldal, 265-281 oldal Pásztor
RészletesebbenA távérzékelés és fizikai alapjai 4. Technikai alapok
A távérzékelés és fizikai alapjai 4. Technikai alapok Csornai Gábor László István Budapest Főváros Kormányhivatala Mezőgazdasági Távérzékelési és Helyszíni Ellenőrzési Osztály Az előadás 2011-es átdolgozott
RészletesebbenNehézségi gyorsulás mérése megfordítható ingával
Nehézségi gyorsulás mérése megfordítható ingával (Mérési jegyzőkönyv) Hagymási Imre 2007. április 21. (hétfő délelőtti csoport) 1. A mérés elmélete A nehézségi gyorsulás mérésének egy klasszikus módja
RészletesebbenA távérzékelt felvételek tematikus kiértékelésének lépései
A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata
RészletesebbenA távérzékelés és fizikai alapjai 3. Fizikai alapok
A távérzékelés és fizikai alapjai 3. Fizikai alapok Csornai Gábor László István Budapest Főváros Kormányhivatala Mezőgazdasági Távérzékelési és Helyszíni Ellenőrzési Osztály Az előadás 2011-es átdolgozott
RészletesebbenSTATISZTIKA I. A változók mérési szintjei. Nominális változók. Alacsony és magas mérési szint. Nominális változó ábrázolása
A változók mérési szintjei STATISZTIKA I. 3. Előadás Az adatok mérési szintjei, Viszonyszámok A változók az alábbi típusba tartozhatnak: Nominális (kategorikus és diszkrét) Ordinális Intervallum skála
RészletesebbenAntropogén eredetű felszínváltozások vizsgálata távérzékeléssel
Antropogén eredetű felszínváltozások vizsgálata távérzékeléssel Verőné Dr. Wojtaszek Malgorzata http://www.civertan.hu/legifoto/galery_image.php?id=8367 TÁMOP-4.2.1.B-09/1/KONV-2010-0006 projekt Alprogram:
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
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenBevezetés az SPSS program használatába
Bevezetés az SPSS program használatába Statisztikai szoftver alkalmazás Géczi-Papp Renáta SPSS alapok Statistical Package for Social Sciences SPSS nézetek: Data View Variable View Output Viewer Sintax
Részletesebben[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 =
RészletesebbenÚj eredmények és lehetőségek a parlagfű távérzékeléses kimutatásában Surek György, Nádor Gizella, Hubik Irén
Új eredmények és lehetőségek a parlagfű távérzékeléses kimutatásában Surek György, Nádor Gizella, Hubik Irén Földmérési és Távérzékelési Intézet Mezőgazdasági Távérzékelési Kutatási és Fejlesztési Osztály
RészletesebbenMérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 3. Hibaszámítás, lineáris regresszió Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Hibaszámítás Hibák fajtái, definíciók Abszolút, relatív, öröklött
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)
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
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
RészletesebbenORVOSI 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
RészletesebbenA zalaszántói őskori halmok kataszterének elkészítése
SZAKDOLGOZATVÉDÉS 2008.11.21. A zalaszántói őskori halmok kataszterének elkészítése Havasi Bálint Geoinformatika szak A felmérés okai. 1. KÖH kezdeményezte a 2001. évi LXIV. törvény alapján a Zalaszántó-Vár
RészletesebbenLeíró statisztika. Adatok beolvasása az R-be és ezek mentése
Leíró statisztika. Adatok beolvasása az R-be és ezek mentése Leíró statisztika Definíciója: populáció egy ismert részhalmazára vonatkozó megfigyelések leírása és összegzése. Jelentősége: nominális adatok
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
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
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
RészletesebbenElméleti bevezető (Hahn István)
Egy készülő e-tankönyv egy fejezete: Elméleti bevezető (Hahn István) Minden olyan esetben, amikor a vizsgálati objektum teljes egészében nem vizsgálható, mintavételt kell alkalmazni. Kevés kivételtől eltekintve
RészletesebbenAl-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása
l--si háromalkotós egyensúlyi fázisdiagram közelítő számítása evezetés Farkas János 1, Dr. Roósz ndrás 1 doktorandusz, tanszékvezető egyetemi tanár Miskolci Egyetem nyag- és Kohómérnöki Kar Fémtani Tanszék
RészletesebbenMATEMATIKA PRÓBAÉRETTSÉGI 2013 I. rész
MATEMATIKA PRÓBAÉRETTSÉGI 203 I. rész. Oldja meg a következő egyenletet: x 2 25. Az egyenlet megoldása: 2. Egy vállalat 280 000 Ft-ért vásárol egy számítógépet. A számítógép évente 5%-ot veszít az értékéből.
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
RészletesebbenA statisztika alapjai - Bevezetés az SPSS-be -
A statisztika alapjai - Bevezetés az SPSS-be - Kvantitatív statisztikai módszerek Petrovics Petra, Géczi-Papp Renáta SPSS alapok Statistical Package for Social Sciences SPSS nézetek: Data View Variable
RészletesebbenSzigetbiogeográfia. A tapasztalat szerint:
Szigetbiogeográfia A tapasztalat szerint: Aritmetikus tengelyen Logaritmikus tengelyen Általános összefüggése:, ahol C taxonra, abundanciára és lokalitásra jellemző állandó, A a terület mérete és z (linearizált
RészletesebbenA kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9
A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9 Név: Pitlik László Mérés dátuma: 2014.12.04. Mérőtársak neve: Menkó Orsolya Adatsorok: M24120411 Halmy Réka M14120412 Sárosi
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési adatok feldolgozása A mérési eredmény megadása A mérés dokumentálása A vállalati mérőeszközök nyilvántartása 2 A mérés célja: egy
RészletesebbenFELSZÍNI ÉS FÖLDALATTI. oktatási anyag
FELSZÍNI ÉS FÖLDALATTI LÉTESÍTMÉNYEK (RÉGÉSZETI OBJEKTUMOK) FELDERÍTÉSE oktatási anyag (RÉGÉSZETI) É OBJEKTUM-FELDERÍTÉS (ALAPOK) TERMÉSZETES MESTERSÉGES ELLENTÉTBŐL KIINDULVA felismerés alakzat és struktúra
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
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
Részletesebben