6. feladatsor. Statisztika december 6. és 8.
|
|
- Elvira Némethné
- 6 évvel ezelőtt
- Látták:
Átírás
1 6. feladatsor Statisztika 200. december 6. és 8.. Egy = 0 szervert tartalmazó kiszolgáló mide szervere mide pillaatba 0 < p < valószíűséggel foglalt, a foglaltságok szerverekét függetleek. Tehát a foglaltak száma Biom(, p) eloszlásúak tekithető. A p-t szereték meghatározi, ehhez 0 mérést végeztük: 2,3,2,5,4,6,3,,0,. A mita alapjá határozzuk meg p legvalószíűbb értékét, azaz adjuk meg a p maimum likelihood becslését általába Biom(, p) (fi eseté), majd a kokrét példába. Megoldás: Általába Biom(, p) eloszlás és N elemű, k = (k,..., k N ) mita megvalósulás eseté a likelihood függvéy: L p ( N ( ) k) = p ki ( p) ki, k i p függvéyébe keressük a globális maimumhelyet. A példába = N = 0 és a k,..., k 0 értékek adottak. Tudjuk, hogy a maimum felvétetik valamely 0 p -re, biztosa em p = 0 vagy eseté, és L p deriválható, így a maimumhelye L p = 0. Köyebb a likelihood függvéy logaritmusát deriváli, mert akkor függvéyek összegét deriváljuk, amely köyebb feladat, mit szorzatot deriváli. Tehát a loglikelihood-függvéy: l p ( k) = log L p ( ( ) k) = log + k i log p + ( k i )log( p). Eek deriváltja egyelő 0-val (lok. szélsőérték helyek meghatározása) Átredezéssel a maimum hely µ: p l p ( k) = k i µ = k N i p N k i N. k i p = 0. A kokrét példába p = 0, 27. (Sokszor igaz, hogy ha csak egy helye 0 a derivált, akkor az automatikusa maimumhely.) 2. Adjuk meg az (a) epoeciális, (b) Poisso, (c) geometriai eloszlásból vett miták maimum likelihood becslését. Megoldás: (a) Ha X,...,X Ep(λ) függetleek, akkor λ maimum likelihood becslése λ = / X i/. (b) Ha X,..., X Poi(λ) függetleek, akkor λ maimum likelihood becslése λ = X i/. (C) Ha X,..., X Geom(p) függetleek, akkor p maimum likelihood becslése p = / X i. 3. Tegyük fel, hogy egy kérdőívvel a megkérdezettek jövedelmi viszoyait akarják felderítei. A korábbi tapasztalatok szerit a magas jövedelműek 0,2 valószíűséggel alacsoy jövedelműek vallják magukat. Az alacsoy jövedelműek csupá 0, valószíűséggel állítják, hogy ők a magas jövedelműek. Adjuk maimum likelihood becslést a téyleges θ aráyra az alapjá, hogy a beérkezett kérdőívek közül szólt magas, pedig alacsoy jövedelemről. Megoldás: Ha a magas jövedelműek valódi aráya θ, akkor egy megkérdezett ember p = 0, ( θ) + 0, 8 θ = 0, + 0, 7θ
2 2 valószíűséggel vallja magát magas jövedelműek, és p valószíűséggel alacsoy jövedelműek. A likelihood függvéy: ( ) ( ) L θ (, ) = p ( p) = (0, + 0, 7θ) (0, 9 0, 7θ). A log-likelihood függvéy deriváltja 0-val egyelő a következő helye: θ = 0, 0, A családok jövedelmét egy olya skálá mérjük, ahol X = a létmiimumak felel meg. Feltételezzük, hogy a jövedelem eloszlása az f() = θ ( ) sűrűségfüggvéyel adható meg. (Ez az úgyevezett Paretoeloszlás). Adjuk maimum likelihood becslést a θ-ra, ha 0 véletleszerűe választott család jövedelme θ+ alapjá:,53, 2,76, 9,65, 4,6, 7,3,,2, 254,2, 5,45,,2,,63. Megoldás: Folytoos esetbe a likelihood-függvéybe a sűrűségfüggvéyek szorzata szerepel, a MLbecslést ilyekor is deriválással kaphatjuk meg. A ML becslés θ = /( lx i), ahol = 0 és az X,...,X 0 értékek a jövedelmek. A kokrét példába θ = 0, Egy alkatrész élettartama epoeciális eloszlású θ/t várható értékkel, ha t hőmérséklete működtetjük. Tegyük fel, hogy az megfigyelést a külöböző t,...,t hőmérséklete végeztük és,..., élettartamokat figyeltük meg. Adjuk maimum likelihood becslést θ-ra. Megoldás: Ha egy epoeciális eloszlás várható értéke θ/t, akkor paramétere t/θ. Tehát sűrűségfüggvéye: f θ () = t θ e t θ, if 0. Ha (, t ), ( 2, t 2 ),..., (, t ) a mért élettartam adat az adott hőmérséklete, akkor a likelihood függvéy: Eek logaritmusa: θ-szertiti deriváltja egyelő 0-val: Ie átredezéssel a ML becslés: l θ (, t) = L θ (, t) = log(t i ) θ + θ = t t iθ θ e i log(θ) i t i θ 2 = 0. it i 6. Egy város eergiafogyasztása ormális eloszlású ismeretle µ várható értékkel és a korábbi tapasztalatok alapjá ismert σ szórással. apo keresztül végeztük méréseket,..., eredméyel, majd az (+)- edik aptól m apo keresztül át csak a város egyik kerületéből érkeztek adatok, ahol a fogyasztás várható értéke az egész város fogyasztásáak a fele: y,...,y m a kapott adatsor. Tételezzük fel, hogy a szórás itt is σ. Adjuk maimum likelihood becslést µ-re. i t i θ Megoldás: Legye X,..., X N(µ, σ) eloszlású mita. A mért megvalósulás: = (,..., ). Legye Y,..., Y m N ( µ 2, σ) eloszlású mita. A mért megvalósulás: y = (y,...,y m ). A σ paraméter ismert. A likelihood függvéy (ahogy általába) az X,...,X, Y,..., Y m együttes sűrűségfüggvéye: L µ (, y) = e ( i µ) 2 m 2σ 2 e (y j µ/2) 2 2σ 2. 2πσ 2πσ Eek logaritmusa: l µ (, y) = log 2πσ Eek µ-szeriti deriváltja 0-val egyelő: µ l µ (, y) = ( i µ) 2 2σ 2 + 2( i µ) 2σ 2 + log 2πσ 2 2 (y j µ/2) 2σ 2 = 0. (y j µ/2) 2 2σ 2.
3 3 Ie átredezéssek kapjuk a ML becslést: µ = 4 i + 2 m y j 4 + m 7. Egy cukorgyárba a cukrot 000 gramm évértékű zacskókba csomagolják. A gyártási techológiából eredőe az egy zacskóba kerülő cukor szórása 50 gramm, a várható értéke azoba ismeretle, jelölje m gramm. Megvizsgáluk 25 zacskót, és azt tapasztaljuk, hogy a beük lévő cukor meyisége átlagosa 986 gramm. Elfogadjuk-e 95%-os szite az m = 000 hipotézist az m 000 hipotézis elleébe? Mi lee a helyzet, ha a szórás csak 20 gramm lee? Megoldás: A várható értékre tesztelük, és a szórás ismert, tehát u-próbát alkalmazuk. Mivel a H 0 : m = 000 ullhipotézist a H : m 000 elleébe teszteljük, ezért a próba kétoldali. A mita mérete = 25, a ullhipotézisre µ 0 = 000. A próbastatisztika a következő: a ormális eloszlás megfelelő kvatilis pedig u(x) = µ = 25 =, 4, σ 50 u 0,025 = Φ (0.975) =, 96. Mivel, 96 <, 4 <, 96, így a ullhipotézist elfogadjuk. Ha azoba σ = 20, akkor u(x) = 3, 5 >, 96, így ebbe az esetbe az m 000 hipotézist fogadjuk el. 8. Egy oldat sótartalmát mérjük laborba. 5 mérést végzük, melyek sorá a sótartalomra redre a következő értékek adódtak (gramm/liter): 7.7, 8., 7.7, 7.5, 7.0. Az oldatról előzetese azt állították, sótartalma 7 g/l. Elfogadjuk-e ezt 95%-os szite azo hipotézis elleébe, hogy a sótartalom em 7 g/l? Megoldás: A várható értékre tesztelük, és a szórás ismeretle, tehát t-próbát alkalmazuk. Szükség va az átlagra és a szóráségyzetre: = 7, 6, σ5 µ0 = 0, 36. A statisztika t(x) = s = 3, 75, ezt hasolítjuk össze a t-eloszlás kétoldali 95%-os kvatilisével, amelyek értéke t 0,05 = 2, 78. 3, 75 > 2, 78 miatt 95%-os szite elutasítjuk a µ 0 = 7 ullhipotézist. 9. Megvizsgálták, hogy 0 ember mekkora távot tudott 5 perc alatt lefuti. Ezutá mideki 3 apot diétázott, és így is megmérték a futásteljesítméyt. Azt szereték kiderítei, hogy a diéta befolyásolta-e a futásteljesítméyt. Bizoyítható-e 95%-os szite, hogy a diéta javított a teljesítméye? Diéta előtt Diéta utá Megoldás: Két adatsor va, de ugyaazokra az alayokra voatkozik, így egymitás t-próbát alkalmazuk az eltérésekre. Az eltérések: Itt = 50 és s = 60, 5. A H 0 : µ 0 = 0 hipotézist teszteljük a H : µ 0 > 0 elleébe, így a próba egyoldali. A statisztika t(x) = µ0 s = ,5 0 = 2, 6 Ezt hasolítjuk össze az = 9 szabadsági fokú t-eloszlás egyoldali 0, 05-kvatilisével: t 0,05 (9) =, 83. Mivel 2, 6 >, 83, ezért a ullhipotézist elutasítjuk, így 95%-os szite állítható, hogy a diéta javít a futásteljesítméye. 0. Egy gyárba azt vizsgálják, milye módo lehete öveli a mukások termelékeységét. Kétféle módot tesztelek: (A) fizetésemelés, (B) mukakörülméyek javítása. Két külö csoporto tesztelek. Az alábbi két táblázat tartalmazza a termelékeység változását. (A) mukás változás (B) mukás változás (a) Fogadjuk el vagy utasítsuk el 95%-os szite azt a ullhipotézist, hogy a fizetésemelés em változtatja a termelékeységet.
4 4 (b) Fogadjuk el vagy utasítsuk el 95%-os szite azt a ullhipotézist, hogy a mukakörülméyek javítása em változtatja a termelékeységet. (c) Fogadjuk el vagy utasítsuk el 95%-os szite azt a ullhipotézist, hogy a mukakörülméyek javítása em öveli jobba a termelékeységet, mit a fizetésemelés. Megoldás: (a) Egymitás, kétoldali t-próbát alkalmazuk. =, s = 0, 72, t(x) = 4, 4 > t 0.05 (5) = 2, 57, így a fizetésemelés szigifikása megváltoztatja a termelékeységet. (b) y =, 9, s y = 0, 93, t(y ) = 6, 4 > t 0.05(9) = 2, 262, így a mukakörülméyek javítása szigifikása megváltoztatja a termelékeységet. (c) Két külöböző csoportról va szó, ezért kétmitás, egyoldali t-próbát alkalmazuk. Az előzőleg kiszámolt értékek alapjá a statisztika ( = 6, 2 = 0): y t(x, Y ) = ( )s 2 + ( 2 )s 2 y 2 ( + 2 2) + 2 = 0, 54, ami kisebb, mit az szabadsági fokú egyoldali kvatilis, melyek értéke t 0,05 (4) =, 78, így a mukakörülméyek javítása em öveli jobba a termelékeységet, mit a fizetésemelés.. Kétféle tápot tesztelek, az egyiket 6 csirké, a másikat pedig 8 (az előzőektől külöböző) csirké. A tesztelésél azt vizsgálják, mekkora a testsúlyövekedés a tápszer élküli állapothoz képest. Az eredméy: A típusú táp csirke övekedés B típusú táp csirke övekedés Dötsük el kétmitás t-próba segítségével, hogy a két táp hatása egyformáak tekithető-e 95%-os szite. Megoldás: =.5, s = 0.6, y =.69, s y =.38. t(x, Y ) = y ( )s 2 + ( 2 )s 2 y így a két táp hatása egyformáak tekithető. 2 ( + 2 2) + 2 = 0.34 < t 0,05 ( ) = 2.8, 2. Amikor az embereket megkérdezik, hogy mekkora a tömegük, gyakra modaak a valóságosál kisebb értékeket. Szereték eldötei az alábbi adathalmazról, hogy igazi mérésből származik, vagy az emberek megkérdezéséből yerték. Azt a téyt fogjuk haszáli, hogy mérés eseté az utolsó számjegyek eloszlásáak egyeletesek kell leie a {0,, 2, 3, 4, 5, 6, 7, 8, 9} halmazo. Dötsük 0, 95 szite arról a hipotézisről, hogy mérésből származak az adatok..) Határozzuk meg H 0 és H hipotéziseket. utolsó számjegy mérések száma ) Határozzuk meg a próbastatisztika értékét. Mekkora a szabadságfoka a próbastatisztikáak? 3.) Határozzuk meg a 0,95 szigifikaciaszithez tartozó kritikus értéket a χ 2 eloszlás táblázatából. 4.) Hasolítsuk össze a kritikus értéket és a próbastatisztika értékét, majd dötsük arról, hogy elvetjük-e H 0 -t, vagy em. Megoldás: Illeszkedésviszgálatot végzük. H 0 : a számjegyek eloszlása egyeletes a 0,,...,9 értékek között, H : em egyeletes. = 90 elemű a mita, r = 0 kategória va; a ullhipotézis feállása eseté az egyes kategóriák valószíűsége p = p 2 =... p 0 = /0.
5 5 Illeszkedésvizsgálathoz a próbastatisztika értéke r (ν i p i ) 2 = 4, 6 p i míg a kritikus érték az r = 9 szabadsági fokú χ 2 -eloszlás 0, 05-kvatilise, ami 6, 7. 4, 6 > 6, 7 miatt elutasítjuk H 0 -t. Tehát 95%-os szite beláttuk, hogy emberek megkérdezéséből jöttek az adatok. 3. Egy tóba háromféle hal él: amur, makréla és poty. Ottó bácsi, az öreg horgász azt súgja ekük, hogy a tóba kétszer ayi a poty, mit a makréla vagy az amur. Kifogtuk 60 halat; dötsük el ez alapjá 95%-os szite, hallgathatuk-e Ottó bácsira. amúr makréla poty 4 35 Megoldás: Illeszkedésvizsgálatot végzük. Ha Ottó bácsiak igaza va, akkor az egyes halak aráya a tóba: p = /4 amur, p 2 = /4 makréla és p 3 = 0, 5 poty. A következő statisztikát számítjuk ki: r (ν i p i ) 2, p i ahol r = 3 a fajták (kategóriák) száma, ν =, ν 2 = 4, ν 3 = 35 az egyes fajtákból kifogott halak száma, = 60 pedig az összes kifogott hal száma. A kokrét számokat behelyettesítve a statisztika értéke, 97, ezt kell tesztelük az r = 2 szabadsági fokú χ 2 eloszlás 95%-os kvatilise elle, amelyek értéke 5, 99. Mivel, 97 < 5, 99, így H 0 -at elfogadjuk, azaz hallgathatuk Ottó bácsira. 4. Azt szereték megtudi, hogy a bukósisak szíe és a baleseti sérülések típusa között va-e összefüggés. Az utóbbi éháy év adatai alapjá a következő táblázatot kaphatjuk: fekete fehér sárga/aracs Kotroll (em sérült) Balesetes (sérült vagy meghalt) ε = 0, 05 elsőfajú hibavalószíűséggel dötsük arról a hipotézisről, hogy a csoport (kotroll vagy balesetes) függetle a bukósisak szíétől. Megoldás: Homogeitásvizsgálatot végzük, azaz arra vagyuk kívácsiak, hogy a sérült illetve a em sérült sisakok esetébe ugyaaz-e a szíek eloszlása. A megfelelő statisztika r (ν i / µ i /m) 2 m, ν i + µ i ahol r = 3 a kategóriák száma, ν = 49, ν 2 = 377, ν 3 = 3 illetve µ = 23, µ 2 = 2, µ 3 = 8 az egyes kategóriákba eső megfigyelések száma és = = 899 és m = = 333 az összes megfigyelések száma. A kokrét példába a statisztika értéke 8, 77, ezt teszteljük az r = 2 szabadsági fokú χ 2 eloszlás 95%-os kvatilise elle, amelyek értéke 5, 99. Mivel 8, 77 > 5, 99, ezért elutasítjuk a ullhipotézist, és a külöböző szíű sisakok em ugyaayira védeek. 5. Egy csavar lehet hibás méret illetve szilárdság alapjá is. Megvizsgáltuk 460 darab csavart. jó méret rossz méret jó szilárdság 46 6 rossz szilárdság 23 5 Dötsük el 95%-os szigifikaciaszite, hogy az, hogy egy csavarak megfelelő-e a szilárdsága illetve a mérete, függetle-e. Megoldás: Függetleségvizsgálatot végzük. A táblázat megfelelő eleme legye ν ij. Ki kell számoluk a peremeloszlásokat: = 460 A peremeloszlások: p = 432/460, p 2 = 28/460 illetve q = 439/460, q 2 = 2/460. A statisztika: 2 2 (ν ij p i q j ) 2 = 2, 09, p i q j amit össze kell hasolítauk az (r )(s ) = (r és s az egyik változó, illetve a másik változó kategóriáiak száma, r = 2, s = 2) szabadsági fokú χ 2 eloszlás 95%-os kvatilisével, amelyek értéke 3, 84. Mivel 2, 09 > 3, 84, ezért elutasítjuk a ullhipotézist, azaz a szilárdság illetve a méret em függetleek.
Statisztika 1. zárthelyi dolgozat március 18.
Statisztika. zárthelyi dolgozat 009. március 8.. Ismeretle m várható értékű, szórású ormális eloszlásból a következő hatelemű mitát kaptuk:, 48 3, 3, 83 0,, 3, 97 a) Számítsuk ki a mitaközepet és a tapasztalati
RészletesebbenIntervallum Paraméteres Hipotézisek Nemparaméteres. Statisztika december 2.
Itervallum Paraméteres Hipotézisek Nemparaméteres Statisztika Hipotézisvizsgálat Székely Balázs 2010. december 2. Itervallum Paraméteres Hipotézisek Nemparaméteres Előadás vázlat 1 Itervallumbecslések
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 10. A statisztika alapjai Debrecei Egyetem, 2015 Dr. Bérczes Attila, Bertók Csaád A diasor tartalma 1 Bevezetés 2 Statisztikai függvéyek Defiíció, empirikus várható érték Empirikus
RészletesebbenA szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai
05..04. szórások vizsgálata z F-próba Hogya foguk hozzá? Nullhipotézis: a két szórás azoos, az eltérés véletle (mitavétel). ullhipotézishez tartozik egy ú. F-eloszlás. Szabadsági fokok: számláló: - evező:
RészletesebbenStatisztika 1. zárthelyi dolgozat március 21.
Statisztika 1 zárthelyi dolgozat 011 március 1 1 Legye X = X 1,, X 00 függetle mita b paraméterű Poisso-eloszlásból b > 0 Legye T 1 X = X 1+X ++X 100, T 100 X = X 1+X ++X 00 00 a Milye a számra igaz, hogy
RészletesebbenPopuláció. Történet. Adatok. Minta. A matematikai statisztika tárgya. Valószínűségszámítás és statisztika előadás info. BSC/B-C szakosoknak
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 16. A matematikai statisztika tárgya Következtetések levoása adatok alapjá Ipari termelés Mezőgazdaság Szociológia
RészletesebbenStatisztikai hipotézisvizsgálatok
Statisztikai hipotézisvizsgálatok. Milye problémákál haszálatos? A gyakorlatba agyo gyakra szükségük lehet arra, hogy mitákból származó iformációk alapjá hozzuk sokaságra voatkozó dötéseket. Például egy
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
Részletesebbenf (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben
Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,
RészletesebbenA matematikai statisztika elemei
A matematikai statisztika elemei Mikó Teréz, dr. Szalkai Istvá szalkai@almos.ui-pao.hu Pao Egyetem, Veszprém 2014. március 23. 2 Tartalomjegyzék Tartalomjegyzék 3 Bevezetés................................
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
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,
Részletesebben1. A radioaktivitás statisztikus jellege
A radioaktivitás időfüggése 1. A radioaktivitás statisztikus jellege Va N darab azoos radioaktív atomuk, melyekek az atommagja spotá átalakulásra képes. tegyük fel, hogy ezek em bomlaak tovább. Ekkor a
Részletesebbenezek alapján kívánunk dönteni. Ez formálisan azt jelenti, hogy ellenőrizni akarjuk,
A deceber -i gyakorlat téája A hipotézisvizsgálat fotos probléája a következő két kérdés vizsgálata. a) Egy véletle eyiség várható értékéek agyságáról va bízoyos feltevésük. Elleőrizi akarjuk e feltevés
RészletesebbenA statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.
Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenStatisztika. Földtudomány szak, geológus szakirány, 2015/2016. tanév tavaszi
Statisztika Földtudomáy szak, geológus szakiráy, 015/016. taév tavaszi félév Backhausz Áges (ELTE TTK Valószíűségelméleti és Statisztika Taszék)1 Tartalomjegyzék 1. Bevezetés 3 1.1. Példa: az adatok elemzése....................
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
RészletesebbenZavar (confounding): akkor lép fel egy kísérletben, ha a kísérletet végző nem tudja megkülönböztetni az egyes faktorokat.
Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat. Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet
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
Részletesebbenkismintás esetekben vagy olyanokban, melyeknél a tanulóalgoritmust tesztadatokon szeretnénk
ÚJRAMINTAVÉTELEZÉSI ELJÁRÁSOK A jackkife (zsebkés) és bootstrap (cipőhúzó a saját kallatyújáál fogva) eljárások agol elevezése is arra utal, hogy itt ad hoc eljárásokról va szó, melyek azoba agyo haszosak
Részletesebben2. egy iskola tanulói, a változók: magasságuk cm-ben, súlyuk (tömegük) kilóban; 3. egy iskola tanulói, a változó: tanulmányi átlaguk;
Statisztika Tegyük fel, hogy va egy halmazuk, és tekitsük egy vagy több valószíűségi változót, amelyek a halmaz mide elemé felveszek valamilye értéket. A halmazt populációak vagy sokaságak evezzük. Példák:
RészletesebbenMatematikai statisztika gyakorlat 2018/2019 II. félév
Matematikai statisztika gyakorlat 018/019 II. félév 1. Táblázatok Viszoyszámok: V = A, ahol A: a viszoyítás tárgya (amit viszoyítuk); B B: a viszoyítás alapja (amihez viszoyítuk) Megoszlási: a sokaság
RészletesebbenKutatói pályára felkészítı modul
Kutatói pályára felkészítı modul Kutatói pályára felkészítı kutatási ismeretek modul Tudomáyos kutatási alapayag feldolgozása, elemzési ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI
RészletesebbenEddig megismert eloszlások Jelölése Eloszlása EX D 2 X P(X = 1) = p Ind(p) P(X = 0) = 1 p. Leíró és matematikai statisztika
Leíró és matematikai statisztika Matematika alapszak, matematikai elemző szakiráy Zempléi Adrás Valószíűségelméleti és Statisztika Taszék Matematikai Itézet Természettudomáyi Kar Eötvös Lorád Tudomáyegyetem
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
Részletesebben24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje.
24. tétel valószíűségszámítás elemei. valószíűség kiszámításáak kombiatorikus modellje. GYORISÁG ÉS VLÓSZÍŰSÉG meyibe az egyes adatok a sokaságo belüli részaráyát adjuk meg (törtbe vagy százalékba), akkor
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
Részletesebbenæ MATEMATIKAI STATISZTIKA Dr. Bolla Marianna, Matematika Intézet, Sztochasztika Tanszék
æ MATEMATIKAI STATISZTIKA Dr. Bolla Mariaa, Matematika Itézet, Sztochasztika Taszék Leíró statisztika Ω, A, P) statisztikai mező, ahol a P mértékcsalád olya P eloszlásokból áll, melyekkel Ω, A, P) valószíűségi
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kidolgozott feladatok a emparaméteres statisztika témaköréből A tájékozódást mideféle szíkódok segítik. A feladatok eredeti szövege zöld, a megoldások fekete, a figyelmeztető, magyarázó elemek piros szíűek.
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenStatisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
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
RészletesebbenVÉLETLENÍTETT ALGORITMUSOK. 1.ea.
VÉLETLENÍTETT ALGORITMUSOK 1.ea. 1. Bevezetés - (Mire jók a véletleített algoritmusok, alap techikák) 1.1. Gyorsredezés Vegyük egy ismert példát, a redezések témaköréből, méghozzá a gyorsredezés algoritmusát.
RészletesebbenStatisztika gyakorlat Geológus szakirány
Statisztika gyakorlat Geológus szakiráy Játékszabályok Az óráko részt kell vei, maximum 3-szor lehet hiáyozi. Az aláírás megszerzéséek lehetséges módjai: vagy ZH írásával vagy egy el re kihirdetett házi
RészletesebbenAz első számjegyek Benford törvénye
Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm
RészletesebbenStatisztikai módszerek 7. gyakorlat
Statisztikai módszerek 7. gyakorlat A tanult nem paraméteres próbák: PRÓBA NEVE Illeszkedés-vizsgálat Χ 2 próbával Homogenitás-vizsgálat Χ 2 próbával Normalitás-vizsgálataΧ 2 próbával MIRE SZOLGÁL? A val.-i
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:
RészletesebbenV. Deriválható függvények
Deriválható függvéyek V Deriválható függvéyek 5 A derivált fogalmához vezető feladatok A sebesség értelmezése Legye az M egy egyees voalú egyeletes mozgást végző pot Ez azt jeleti, hogy a mozgás pályája
RészletesebbenStatisztika (jegyzet)
Statisztika (jegyzet) Csiszár Vill 009. május 6.. Statisztikai mez A statisztika egyik ága a leíró statisztika. Ekkor a meggyelt adatokat áttekithet formába ábrázoljuk, pl. hisztogrammal (oszlopdiagrammal),
RészletesebbenLeíró és matematikai statisztika gyakorlat 2018/2019 II. félév
Leíró és matematikai statisztika gyakorlat 08/09 II. félév Táblázatok Viszoyszámok: V = A, ahol A: a viszoyítás tárgya amit viszoyítuk; B B: a viszoyítás alapja amihez viszoyítuk Megoszlási: a sokaság
RészletesebbenI. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó.
I. Függelék A valószíűségszámítás alapjai I.1. Alapfogalamak: Véletle jeleség: létrejöttét befolyásoló összes téyezőt em ismerjük. Tömegjeleség: a jeleség adott feltételek mellett akárháyszor megismételhető.
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
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
RészletesebbenBootstrap (Efron, 1979)
Bootstrap (Efro, 979) 4. elıadás 204. március 3. Bootstrap módszerek, többdimeziós extrém-érték eloszlások illeszkedésvizsgálata Újramitavételezési eljárás, a becsléseik szórásáak vizsgálatára, modell-illeszkedés
RészletesebbenKvantum párhuzamosság Deutsch algoritmus Deutsch-Jozsa algoritmus
LOGO Kvatum párhuzamosság Deutsch algoritmus Deutsch-Jozsa algoritmus Gyögyösi László BME Villamosméröki és Iormatikai Kar Bevezető Kvatum párhuzamosság Bármilye biáris üggvéyre, ahol { } { } : 0, 0,,
RészletesebbenMatematikai statisztika
Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika
Részletesebben1 k < n(1 + log n) C 1n log n, d n. (1 1 r k + 1 ) = 1. = 0 és lim. lim n. f(n) < C 3
Dr. Tóth László, Fejezetek az elemi számelméletből és az algebrából (PTE TTK, 200) Számelméleti függvéyek Számelméleti függvéyek értékeire voatkozó becslések A τ() = d, σ() = d d és φ() (Euler-függvéy)
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
Részletesebbenkritikus érték(ek) (critical value).
Hipotézisvizsgálatok (hypothesis testig) A statisztikáak egyik célja lehet a populáció tulajdoságaiak, ismeretle paramétereiek a becslése. A másik tipikus cél: valamely elmélet, hipotézis empirikus bizoyítása
RészletesebbenMo= argmax f(x), ha X abszolút folytonos; Mo= argmax P (X = x i ), ha X diszkrét.
Segédayag a Matematikai statisztika tatárgyhoz 09 április 0 Leíró statisztika A statisztikai elemzések egyik legfotosabb eszközei a viszoyszámok A viszoyszám két statisztikai adat háyadosa Jelölések: V
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben1. 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
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
RészletesebbenKét 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
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,
Részletesebben3.1. A Poisson-eloszlás
Harmadik fejezet Nevezetes valószíűségi változók Valamely valószíűségi változóhoz kapcsolódó kérdésekre akkor tuduk potos választ adi, ha a változó eloszlása ismert, vagy megközelítőleg ismert. Ebbe a
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 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenEloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok
Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenValószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés
Valószí ségszámítás és statisztika gyakorlat Programtervez iformatikus szak, esti képzés.) Egy érmével dobuk. Ha az eredméy fej, akkor még egyszer dobuk, ha írás, akkor még kétszer. a.) Mik leszek a kísérletet
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
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
Részletesebben1. előadás: Bevezetés. Irodalom. Számonkérés. Cél. Matematikai statisztika előadás survey statisztika MA szakosoknak. A matematikai statisztika tárgya
Matematikai statisztika előadás survey statisztika MA szakosokak 206/207 2. félév Zempléi Adrás. előadás: Bevezetés Irodalom, követelméyek A félév célja Matematikai statisztika tárgya Törtéet Alapfogalmak
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
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:
RészletesebbenMegjegyzések. További tételek. Valódi határeloszlások. Tulajdonságok. Gyenge (eloszlásbeli) konvergencia
Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 5. Megjegyzések. A tétel feltételei gyegíthetőek: elég, ha a függetle, azoos eloszlású változók várható értéke véges.
RészletesebbenLikelihood, deviancia, Akaike-féle információs kritérium
Többváltozós statisztika (SZIE ÁOTK, 2011. ősz) 1 Likelihood, deviancia, Akaike-féle információs kritérium Likelihood függvény Az adatokhoz paraméteres modellt illesztünk. A likelihood függvény a megfigyelt
Részletesebben= dx 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05
Folytoos vlószíűségi változók Értékkészletük számegyees egy folytoos (véges vgy végtele) itervllum. Vlmeyi lehetséges érték vlószíűségű, pozitív vlószíűségek csk értéktrtomáyokhoz trtozk. Az eloszlás em
RészletesebbenSegédanyag a Leíró és matematikai statisztika tantárgyhoz március 28.
Segédayag a Leíró és matematikai statisztika tatárgyhoz 07 március 8 Statisztikai sokaság: a meggyelés tárgyát képez egyedek összessége, halmaza Rövide sokaságak hívjuk A sokaság egysége: a sokaság egy
RészletesebbenTartalom. Kezdeti szimulációs technikák. Tipikus kérdések. A bootstrap módszer. Bevezetés A független, azonos eloszlású eset:
Tartalom A bootstrap módszer Zempléi Adrás TTK, Valószíőségelméleti és Statisztika Taszék 2010. október 21 Bevezetés A függetle, azoos eloszlású eset: emparaméteres paraméteres eset Alkalmazások a rétegzett
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
RészletesebbenAZ ÖSSZETÉTEL OPTIMALIZÁLÁSA A VOLUMETRIKUS ASZFALTKEVERÉK- ELLENÕRZÉS MÓDSZERÉVEL
36 MIXCONTROL AZ ÖSSZETÉTEL OPTIMALIZÁLÁSA A VOLUMETRIKUS ASZFALTKEVERÉK- ELLENÕRZÉS MÓDSZERÉVEL Subert Istvá deformáció-elleálló keverékvázat lehet létrehozi. Kiidulási feltétel az alkalmazás helyéek
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenDr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
Részletesebben( a b)( c d) 2 ab2 cd 2 abcd 2 Egyenlőség akkor és csak akkor áll fenn
Feladatok közepek közötti egyelőtleségekre (megoldások, megoldási ötletek) A továbbiakba szmk=számtai-mértai közép közötti egyelőtleség, szhk=számtaiharmoikus közép közötti egyelőtleség, míg szk= számtai-égyzetes
RészletesebbenVII. A határozatlan esetek kiküszöbölése
A határozatla esetek kiküszöbölése 9 VII A határozatla esetek kiküszöbölése 7 A l Hospital szabály A véges övekedések tétele alapjá egy függvéy értékét egy potba közelíthetjük az köryezetébe felvett valamely
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26
ANOVA,MANOVA Márkus László 2013. március 30. Márkus László ANOVA,MANOVA 2013. március 30. 1 / 26 ANOVA / MANOVA One-Way ANOVA (Egyszeres ) Analysis of Variance (ANOVA) = szóráselemzés A szórásokat elemezzük,
RészletesebbenMatematika B4 I. gyakorlat
Matematika B4 I. gyakorlat 2006. február 16. 1. Egy-dimeziós adatredszerek Va valamilye adatredszer (számsorozat), amelyről szereték kiszámoli bizoyos dolgokat. Az egyes értékeket jelöljük z i -vel, a
RészletesebbenEgy lehetséges tételsor megoldásokkal
Egy lehetséges tételsor megoldásokkal A vizsgatétel I része a IX és X osztályos ayagot öleli fel, 6 külöböző fejezetből vett feladatból áll, összese potot ér A közzétett tétel-variások és az előző évekbe
RészletesebbenMegállapítható változók elemzése Függetlenségvizsgálat, illeszkedésvizsgálat, homogenitásvizsgálat
Megállapítható változók elemzése Függetleségvzsgálat, lleszkedésvzsgálat, homogetásvzsgálat Ordáls, omáls esetre s alkalmazhatóak a következő χ próbá alapuló vzsgálatok: 1) Függetleségvzsgálat: két valószíűség
RészletesebbenMatematikai statisztikai elemzések 4.
Matematikai statisztikai elemzések 4. Hipotézisvizsgálat: alapfogalmak, egymintás és kétmintás próbák. Prof. Dr. Závoti, József Matematikai statisztikai elemzések 4.: Hipotézisvizsgálat: alapfogalmak,
RészletesebbenMatematikai statisztikai elemzések 4.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések 4. MSTE4 modul Hipotézisvizsgálat: alapfogalmak, egymintás és kétmintás próbák. Illeszkedés-
RészletesebbenTudjuk, hogy az optimumot az ún. regressziós görbe szolgáltatja, melynek egyenlete:
æ REGRESSZIÓANALÍZIS Az alapprobléma a következő: Az X, Y v.v. együttes eloszlásáak ismeretébe közelítei szereték Y-t X mérhető t fv.-ével legkisebb égyzetes értelembe: E(Y t(x)) 2 mi. t be. Tudjuk, hogy
Részletesebben2. fejezet. Számsorozatok, számsorok
. fejezet Számsorozatok, számsorok .. Számsorozatok és számsorok... Számsorozat megadása, határértéke Írjuk fel képlettel az alábbi sorozatok -dik elemét! mooto, korlátos, illetve koverges-e! Vizsgáljuk
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
RészletesebbenIntervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
RészletesebbenHipotézis-ellenırzés (Statisztikai próbák)
Következtetı statisztika 5. Hipotézis-elleırzés (Statisztikai próbák) 1 Egymitás próbák Átlagra, aráyra, Szórásra Hipotézis-vizsgálat Áttekités Egymitás em paraméteres próbák Függetleségvizsgálat Illeszkedésvizsgálat
Részletesebbenvéletlen : statisztikai törvényeknek engedelmeskedik (Mi az ami közös a népszavazásban, a betegségek gyógyulásában és a fiz. kém. laborban?
BEVEZETÉS A statisztika teljese laikusokak: agy mukával gyűjtött adatok vizsgálata, abból következtetések levoása ( statistical iferece ) (Egy kicsit sok hűhó semmiért azaz Much ado about othig.) Mi is
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
Részletesebben