Nemparaméteres eljárások
|
|
- Ernő Bogdán
- 5 évvel ezelőtt
- Látták:
Átírás
1 Nemparaméteres eljárások Bevezetés Az ntervallum vagy a hányados skálán végzett méréseknél az adatokból számolhatunk átlagot, szórásnégyzetet, szórást Fontos módszerek alapulnak ezeknek a származtatott paramétereknek a matematka, logka tulajdonságan; ezeket a módszereket paraméteres módszereknek nevezk Könnyű belátn, hogy például a nomnáls skálán mért adatok esetében nem helyénvaló átlagot számítan, és - következésképpen - nem alkalmazhatók a paraméteres statsztka módszerek Például, ha egy mntában csak ekete és szürke szőrű egyedek vannak, akkor a mntára vonatkozóan nem lehet átlagos színről beszéln A nomnáls és az ordnáls skálán mért adatokkal számos módszer alkalmazható, melyek egyk közös tulajdonsága, hogy nem kell hozzájuk az, hogy az adatokból átlag, vagy szórás számolható legyen Általában mondható, hogy ezek a módszerek nem az smert nevezetes eloszlás, a normáls eloszlás paraméterenek tulajdonságan alapulnak, ezeket nemparaméteres módszereknek szokták nevezn Vagys ha az eloszlás jellege smert, és a nullhpotézsünk az eloszlás valamely paraméterére vonatkozk, paraméteres próbáról, ellenkező esetben nemparaméteres próbáról beszélünk A nemparaméteres módszerek az alább esetek közül valamelykre vonatkoznak 1 Nomnáls skálán mért adatokon elvégezhető Ordnáls (rendezett) skálán mért adatokon elvégezhető 3 Intervallum skálán mért adatokon anélkül végezhető el, hogy azt kellene eltételeznünk, hogy az adatok egy adott tulajdonságokkal rendelkező eloszlásból származnak Ebben az esetben az adatokat rangtranszormácónak vetjük alá Ez azt jelent, hogy az ntervallum skálán tett meggyeléseket az ordnáls skálán értékeljük k Hogyan válasszunk a paraméteres és nem-paraméteres módszerek között? A nemparaméteres módszerek előnye Kevesebb eltételük van, így hbás alkalmazásuk esélye ksebb Nomnáls és ordnáls változókon s használhatók Próbastatsztkák számítása sokszor egyszerűbb Skálaérzéketlenek, azaz az adatok transzormálása nem beolyásolja a tesztek eredményét Kevésbé érzékenyek a kugró adatokra Nem csak az átlag különbséget tudjuk vzsgáln, hanem az eloszlás más tulajdonságának (például erdeség ellépése kezelés hatására) változását s A nemparaméteres módszerek hátránya: Erejük ksebb mnt a paraméteres megelelőknek (azok eltételenek teljesülése esetén) de ez sokszor nem jelentős Sok parametrkus tesztnek nncs meg a nem-parametrkus megelelője A paraméteres módszerek előnye Ha eltételek teljesülnek, a paraméteres próbák nagyobb erejűek, mnt a helyettük alkalmazható nem-paraméteres próbák 1
2 Ha az adatok normáls eloszlásúak, akkor ettől az normácótól való eltekntés jelentős normácó veszteséggel jár Ha nncs rá okunk, ne mondjunk le a paraméteres próbák előnyeről A paraméteres próbák esetében a nullhpotézsek gyakran többet mondanak, mnt a nemparaméteres próbák nullhpotézse A paraméteres próbák hátránya: Szűkebb az alkalmazás terület, csak bzonyos eloszlású sokaságok esetén alkalmazhatók Választás az alkalmazható nemparaméteres próbák között Ha csak az a kérdésünk, hogy két csoport között van-e bármlyen különbség, akkor bármelyk próbát alkalmazhatjuk Tudnunk kell azonban, hogy a nem-paraméteres próbák, ellentétben a t próbával, nem a két csoport átlagának a különbségét vzsgálják, hanem a csoportok más tulajdonságat, mégpedg próbánként különböző tulajdonságat Így aztán a szgnkáns különbség nem bztosan jelent azt, hogy a két csoport átlaga (várható értéke) s különbözk, mert lehet, hogy a két vzsgált populácó eloszlásának valamlyen más tulajdonsága különbözk (medán, eloszlás jellege) Eloszlásokra vonatkozó próbák (χ - próba) A sokaságok százalékos megoszlására vagy a valószínűség változó eloszlására vonatkozó hpotézs ellenőrzésére szolgál Dszkrét és olytonos valószínűség változó eloszlásának vzsgálatára egyaránt alkalmas oly módon, hogy osztályokat képezünk, és az osztálygyakorságokat, vagy a relatív osztálygyakorságokat, ll a megelelő valószínűségeket vzsgáljuk Feltételek ( : az -edk osztály meggyelt gyakorsága): Nagy mnta (n 50) Valamenny meggyelt osztályban az osztálygyakorság 1 Maxmum az osztályok 0%-ában lehet 5 Illeszkedésvzsgálat Tszta lleszkedésvzsgálat: a mnta eloszlását hasonlítjuk egy elmélet eloszláshoz Egy dobókocka szabályosságát szeretnénk ellenőrzn Mnden dobás egyorma (1/6) valószínűséggel következhet be H 0 : a kocka szabályos H 1 : a kocka nem szabályos 60 dobás eredménye: Érték Meggyelt gyakorság Várt gyakorság * ( ) χ, ahol * : az -edk osztály meggyelt gyakorsága * : az -edk osztály várt gyakorsága n : a mnta elemszáma
3 ( 8 10) ( 6 10) ( 4 10) * ( ) Behelyettesítve a képletbe: χ , * Ha a meggyelt gyakorságok messze vannak a várttól, akkor ez az összeg nagy lesz, ha azonban közel, akkor kcs Így χ megad egy mértéket a meggyelt és a várt gyakorságok távolságának mérésére Természetesen a dobások véletlenszerűsége matt még szabályos kocka esetén sem ogunk pontosan χ 0-t kapn A χ értékre meg kell engednünk egy bzonyos ntervallumot, amelybe ha beleesk, akkor még elég nagy a valószínűsége annak, hogy a kocka szabályos Úgy s lehet ogalmazn: mekkora a valószínűsége annak, hogy szabályos kocka esetén lyen eredményt kapjunk Ehhez be kell vezetn a χ -eloszlásüggvényt, melynél a egy görbeseregről van szó Azt, hogy a görbeseregből melyket kell kválasztanunk, a szabadság ok mondja meg A szabadság ok lleszkedésvzsgálat esetén egyenlő az osztályok száma mínusz 1-gyel, esetünkben k Ezek után elő kell venn a χ -eloszlás táblázatát, és meg kell benne nézn a számolt χ értékhez tartozó valószínűséget A táblázatokban általában csak bzonyos valószínűségekhez tartozó χ értékeket adnak meg Ha 5%-os szgnkanca sznttel dolgozunk, akkor azt mondjuk, hogy akkor utasítjuk el a kocka szabályosságára vonatkozó hpotézsünket, ha szabályos kockát eltételezve ksebb, mnt 5% a valószínűsége annak, hogy olyan eredményt kapjunk, amlyet kaptunk, akkor k kell keresnünk a táblázatból az 5%-hoz és a megelelő szabadság okhoz tartozó értéket, és össze kell hasonlítan a számolttal Ha a számolt nagyobb a táblázatbel értéknél, akkor elutasítjuk hpotézsünket Példánkban χ számolt 14, χ táblázatbel 11,1, tehát a kockánkat nem teknthetjük szabályosnak Becsléses lleszkedésvzsgálat: csak az eloszlás típusa smert (normáls, exponencáls ), paraméteret a mnta alapján becsüljük, majd ezekre vonatkozóan végzünk lleszkedésvzsgálatot * ( ) ( np ) χ *, ahol np : az -edk osztály meggyelt gyakorsága * : az -edk osztály várt gyakorsága n : a mnta elemszáma p : az -edk osztály várt relatív gyakorsága Feltétel: a várható érték gyakorsága mnden osztályban érje el legalább az 5 értéket ( * > 5) és a mnta kellően nagy legyen Szabadság okok: tszta lleszkedésvzsgálatnál sz k-1, becsléses lleszkedésvzsgálatnál sz k-1-b, ahol a k : a csoportosítás során képezett osztályok száma b : a mntából becsült paraméterek száma Egy élelmszerrel kapcsolatos ogyasztás szokásokat meggyelve 60 ember esetében az alább táblázatban szereplő adatokat kapták Átlagos értékként 1037 dkg/dőszak, szórásként 116,3 dkg becsülhető Feltételezhető, hogy normáls eloszlású az adott dőszakra eső ogyasztás ebből az élelmszerből A eladat ennek ellenőrzése 3
4 Időszakra eső ogyasztás (dkg) x a - x Osztályközbe eső emberek száma (db) Összesen: 60 Időszakra eső ogyasztás (dkg) x a - x Osztályközbe eső emberek száma (db) Transzormált osztályköz határ Alsó x a Felső x p np - ( ') ,47-1,61 0, , ,6-0,75 0, , ,74 0,11 0, , ,1 0,97 0, , ,98 1,83 0, , ,84,69 0, ,5 Összesen: 60 1, ,36 A várható gyakorságok kszámolásához először az egyes osztályközökbe esés valószínűségét kell meghatározn Ehhez a mntaeloszlás osztályköz határat standard normáls eloszlássá kell transzormáln (Várható érték 0, szórás 1) Becsléses lleszkedésvzsgálat esetén a várható értéket a mntaátlaggal ( x ), a szórást a mntabel szórással (s) becsülve, az új x x osztályköz határokat a következő módon kell kszámítan: x ' s x x A másodk osztályköz első határa esetében: x ' 0, 75 Ezek után s 116,3 az egyes ntervallumokba esés valószínűségét (p ) a standard normáls eloszlás táblázatából lehet meghatározn A χ táblázatbel érték α 5%-nál és szabadság oknál 7,815 Megállapítható, hogy a számított érték nagyobb, mnt a krtkus érték, ezért a nullhpotézst elvetjük, a mnta szgnkánsan eltér a normáls eloszlástól Homogentásvzsgálat Két üggetlen mnta eloszlásüggvényének összehasonlítására szolgál Kérdés: Származhat-e a két üggetlen mnta azonos eloszlásüggvényű sokaságból? A próbastatsztka kszámolásához a meggyelés egységeket mndkét n 1 ll n elemű mnta esetén azonos osztályokba soroljuk (k osztályt képzünk), melyekre gazak a alább összeüggések: 1 n1, n 4
5 A próbastatsztka értékének kszámolása: 1 χ n1n 1 + n n 1, szabadság ok: k-1, ahol n 1, n : a mnta elemszáma 1, : osztályonként gyakorságok mntánként k: az osztályok száma A két sokaság azonosnak teknthető, ha χ számolt χ táblázatbel Két szgeten egy pntyajta 4 színváltozatát gyelték meg Az első szgeten 345-öt gyűrűztek meg, a másodkon pedg 640-et Az alább táblázat mutatja az egyes színváltozatok előordulását Homogénnak teknthető-e a két populácó? Színváltozatok I szget ( 1 ) II szget ( ) A B C D Összesen Színváltozatok I szget ( 1 ) II szget ( ) χ részösszeg A ,5013 B ,669 C ,1900 D ,0860 Összesen ,404 1 χ n1n 6, n n, a szabadság ok 4-1 3, a krtkus érték 1 (α 0,05): χ táblázatbel 7,815 A két szgeten levő populácók azonosnak teknthetők Függetlenség vzsgálat Az alapsokaság két smérv szernt csoportosításakor s x t típusú kontngenca táblázatot kapunk (s db csoportot képeztünk az első, t db csoportot pedg a másodk szempont szernt) Vzsgálhatjuk, hogy az első szempont szernt eloszlás üggetlen-e a másodk szempont szernt eloszlástól χ ( * * ) : az -edk osztály meggyelt gyakorsága * : az -edk osztály várt gyakorsága n : a mnta elemszáma kl k n k l n l, ahol 5
6 kl : az első szempont k-adk és a másodk szempont l-edk osztálykombnácójába tartozó egyedek elmélet relatív gyakorsága k : az első szempont k-adk osztályának gyakorsága l : a másodk szempont l-edk osztályának gyakorsága A szabadság okok száma: sz: (s-1)(t-1) Egy kozmetka cég megbízásából elmérést készítettek arról, hogy a nők és a érak mlyen típusú dezodorokat használnak A elmérésben 00 nő és 150 ér adata szerepelnek Hasonlóak vagy eltérőek a nők és a érak szokása ezen a téren? (Függ-e a dezodorválasztás a nemtől?) Spray Golyós Krém Összesen: Nő Fér Összesen: Függetlenség esetén a 350 elemű mnta megoszlása az alábbak szernt alakulna * a b Peremgyakorságok: j, ahol N a -edk sor összege 1, b j j-edk oszlop összege j1,, 3 N 350, a mnta elemszáma Spray Golyós Krém Összesen: Nő 94,86 48,57 56,57 00 Fér 71,14 36,43 4, Összesen: χ emp 3 * ( j j ) ( 93 94,86) ( 46 48,57) ( 38 4,43) * j 1 1 j 94,86 48,57 4,43 1,1 Szabadság okok száma: (n a -1)(n b -1) 1 α 5% esetén χ krt 5,99 A próba nem szgnkáns χ krt > χ emp A különböző nemű vásárlók hasonlóan választották az egyes dezodorokat Előjel-próba Közvélemény kutatásokban gyakran vzsgálják azt, hogy egy mnta egyede két lehetőség közül melyket választják Például két smert márkájú hasonló termék közül melyket kedvelk nkább A két lehetőség között választás, vagy két (egymást kzáró) esemény előordulásának valószínűsége elvleg azonos jellegű probléma Például egy adott beteg populácóban a született gyermekek között a úk és a lányok aránya azonos-e? Mndezen vzsgálatok eredményét értékelhetjük az előjel próbával oly módon, hogy az egyk esemény előjelét poztívnak, a másk előjelét negatívnak nevezzük, és nem engedünk meg eldöntetlen esetet Az előjel próbának nncs elterjedt, smert megelelője a paraméteres próbák között Az előjel próbával értékelhető adatok esete lényegében véve azonos a bnomáls eloszlást mutató kísérletek vzsgálatával 6
7 Lehetnek olyan esetek, amkor nem lehet egyértelműen eldönten az előjelet Ezekben az eldöntetlen esetekben a meggyelést nem vesszük gyelembe egyk ajta előjelek számlálása során sem Két gyümölcs csomagolására és tárolására alkalmas módszert tesztelnek Tíz-tíz mázsás csomagot készítenek, és három hónap múlva megszámolják a romlott gyümölcsöket Van-e különbség a két eljárás között? Az adatokat az alább táblázat tartalmazza Csomagok I módszer II módszer H 0 : a két eljárás között nncs különbség H 1 : a két eljárás között van különbség Páros mntánk van, lyenkor vehetjük a két a eljárás során keletkezett romlott gyümölcsök különbségének előjelét Csomagok I módszer II módszer Előjel Vagys három plusz és hét mínusz jel Azt várnánk, hogy öt pluszt és öt mínusz jelet kapjunk Ez a probléma megegyezk azzal, hogy 10-szer eldobva egy érmét 3-szor ejet és 7-szer írást kapunk Vajon ez az érme szabályos-e? Tehát bnomáls eloszlással számolunk tovább n k n k P(ξ k) p q k P ( ξ k) 10 k k 10 k p P ξ p P ξ 1 1 p P ξ p P ξ 3 3 P ξ < p + p 0, 10 k ( 0) 0, ( ) 0, ( ) 0, ( ) 0, ( ) ( < ) p + p + p 0, P ξ Kétoldal próbával kell dolgoznunk, mert H 1 azt állítja, hogy különbség van a módszerek 1 között Ezért az 5%-os szgnkanca szntnél: 0,05 0, 05 a keresett valószínűség sznt 10 7
8 Mvel 0, < 0,05 < 0,054688, akkor utasítjuk el a H 0 hpotézst, ha a plusz jelek száma nulla vagy egy Itt azonban a három van, így 5%-os szgnkanca sznten nem utasíthatjuk el a H 0 -t, lyen sznten nncs különbség az eljárások között Mann-Whthney-Wlcoxon próba (U próba, rangösszegpróba) Két egymástól üggetlen mnta medán értékének összehasonlítására szolgál, ha a mntaelemek párosíthatók, tehát a kétmntás t-próba nemparaméteres megelelője Ordnáls változókra s használható Feltételek: Független mnták Azonos ormájú eloszlások Folytonos és dszkrét valószínűség változók esetében s használható Kísérlet elrendezés: Két üggetlen, véletlen mnta A gondolatmenet a következő: Elvégezzük a rang-transzormácót Rang-transzormácó: Az összes adatot (a csoporthoz való tartozástól üggetlenül) nagysága szernt sorba állítjuk, az adatok helyébe azok rangszámát helyettesítjük Ha két, vagy több azonos adatot találunk, akkor azok helyébe az átlagos rangszámokat írjuk Az így kapott rangszámokat az eredet csoportokra szétbontjuk Ez a transzormácó az eredet meggyeléseket az ordnáls skálán ejez k Ha a két csoport középértéke (medánja) között nncs különbség (azaz H 0 teljesül), akkor mnd a két csoportban lesznek alacsony és magas rangszámú meggyelések, és az átlagos rangszám értékek s közel azonosak lesznek Ha H 0 -t elvetjük, akkor az egyk csoportban nagy valószínűséggel nagyobb lesz az átlagos rangszám, mnt a másk csoportban Ha sok az azonos rangsorú érték, ezeket a teszt nem vesz gyelembe, és ezért lyenkor kssé alulértékel a szgnkanca szntet Kétmntás t-próbát célszerű alkalmazn, ha a két sokaság, amelyekből a két üggetlen mnta származk, normáls eloszlású Ha a normaltás nem áll enn, de a két populácó eloszlása azonos ormájú akkor e próba alkalmazása ajánlható Végezzük el a rangtranszormácót és számoljuk k mndkét mntára a sorszámok összegét Jelölje a két összeget R 1 és R ; N 1 és N pedg rendre a mnta-elemszámokat (N 1 N ) Az R 1 és R között szgnkáns különbség a két mnta között szgnkáns különbségre utal A teszteléshez használjuk az első mntához tartozó N1( N1 + 1) U N1N + R1 statsztkát U mntavétel eloszlása szmmetrkus, átlag és varancája a következő módon számolható: µ U N 1 N σ ( N + N 1) N1N 1 + U Ha N 1 és N s legalább 8, akkor U eloszlása közel normáls lesz úgy, hogy átlagú és 1 varancájú normáls eloszlást követ 1 U µ z U 0 Két tanulócsoport ugyanazt a dolgozatot írta meg A dolgozatokra kapott pontszámok a következők I csoport: 18; 17; 3; 17,5; 19; 5; 16; 4 II csoport: 1,5; 14; 0,5; 11; 15,5; 0; 13; 15; 1; 14 σ µ 8
9 H 0 : a két mnta ugyanabból a sokaságból származk (nncs különbség a két mnta között) Rendezzük az összes mntaértéket, és adjunk sorszámokat ezekhez az értékekhez Egyet a legksebbhez, tzennyolcat a legnagyobbhoz Kszámolva: R 1 106, R 65, N 1 8 és N 10, U 10; µ U 40; σ U 11,5; z -,67 Mvel a vzsgált H 0 hpotézs az, hogy nncs különbség a csoportok között, kétoldal próbát kell alkalmazn 5%-os szgnkanca sznten a döntés szabály: Elogadjuk H 0 -t, ha -1,96 z 1,96 Ennek alapján elutasítjuk a H 0 -t Kruskal-Walls próba (H próba) (ez előző általánosítása k számú mntára) Az eljárás célja összehasonlítan 3, vagy több populácót, melyekből véletlen egyváltozós mntát vettünk A H próba az egyutas osztályozás vagy egytényezős kísérlet varancaanalízsére ad általánosítható nem paraméteres módszert Ez a próba különösen érzékeny a medán változásara Hpotézs pár: H 0 : A mnták eloszlása nem különbözk egymástól H 1 : Legalább két eloszlás különbözk egymástól Ha elvetjük H 0 -t, akkor arra következtetünk, hogy a vzsgált populácók között vannak különbségek Feltételek: Véletlen mntavétel (bztosítja az egyes változók egyenlő eloszlását a H 0 ennállása esetén) Független mnták Legalább ordnáls skálán mérhető változó Tegyük el Hogy k számú mntánk van, egyenként N 1, N, N k mntanagyságokkal, és így az összes mnta N N 1 + N + + N k elemszámú Az összes mntát együtt kell rangsoroln, és a rangösszegek: R 1, R, R k 1 k R j H + 3( N + 1) N N + 1 N ( ) j 1 H mntavétel eloszlása közelítőleg k-1 szabadságokú χ eloszlást követ, eltéve, hogy az N 1, N, N k mndegyke legalább 5 Egy növénytermesztés kísérletben egy növényen 4-éle műtrágyát próbálnak k Mnden műtrágyával 5-5 parcellát kezelnek A terméseredmények q/területegységben kejezve az alább táblázatban olvashatók Van-e szgnkáns különbség az egyes műtrágyák hatása között? j Műtrágyák Terméseredmények A típus 18,4; 16,1; 19,; 17,; 18,6 B típus 17,5; 17,3; 15,4; 16,4; 17,9 C típus 19,3; 18,; 19,6; 0,0; 18,9 D típus 14,0; 15,4; 16,8; 17,6; 16,9 9
10 N 0 A rangösszegek: Rangok Σ A típus B típus 10 9, ,5 C típus D típus 1, ,5 1 k R H N( N + 1) N j 1 j j 3( N + 1) 1,8 k-1 3 szabadság oknál 5%-os szgnkanca sznten χ krt 7,81 Mvel 7,81 < 1,8 elvetjük a nullhpotézst, van különbség a műtrágyák között Fredman próba Ha egy olyan problémában, ahol kétszeres osztályozással szóráselemzést akarunk végrehajtan, de nem teljesül a normaltás, vagy a szórások egyenlősége, akkor a Fredman próbát alkalmazhatjuk Feltételek: Független mnták A mérések legalább ordnáls skálán történjenek A következő típusú problémát vzsgáljuk: n számú objektumra k különböző eljárást (kezelést) alkalmazunk A kísérlet célja: megállapítan, hogy van-e különbség a k számú (k>) kezelés között Ez tehát egy többmntás próba, ahol a blokkhatást szeretnénk kküszöböln, és a k kezelést összehasonlítan Blokkok A kezelések 1 n száma 1 X 11 X 1 X 1n X 1 X X n k X k1 X k X kn A modellünk megegyezk a varancaanalízsnél tárgyalt kéttényezős kísérletben szereplő modellel X j µ + α +β j + e j ahol µ a sokaság közös várható értéke α kezeléshatás β j blokkhatás e j a véletlen okozta eltérés α 0, β j 0, e j 0 H 0 : Mnden kezelés átlaga egyenlő (sorátlag) α 0; 1,,,k, 10
11 H 1 : nem mnden α egyenlő Ha H 0 -t elvetjük, akkor páros összehasonlításokkal kell elderítenünk a csoportok között esetleges különbségeket Erre az előjel próbát kell használnunk Mnden blokkban rendezzük nagyság szernt a k meggyelést és jelöljük r j -vel az X j rangját Legyen R r j n j 1 ( k 1) n n 1 n + 1 S 3 ( + 1) ( 1) R + 1 ( + 1) R n k nk k nk k 1 Ha H 0 -t gaznak tételezzük el, n pedg nagy, akkor Az S statsztka aszmptotkusan χ eloszlású (k-1) paraméterrel Az elogadás tartomány: S < χ k-1, α, ahol az α a próba szgnkanca szntjét jelent 10 borász öt bort mnősített egytől ötg terjedő pontozással Egy pontot ér a leggyengébb, és 5 pontot ér a legjobb mnőségű bor Különbözött-e a borok mnősége? Borászok bor bor bor bor bor Ennél a eladatnál a rang-transzormácót nem kellett elvégezn, hszen a borászok már a rangokkal értékelték k a borokat Rangösszegek 1 bor 34 bor 5 3 bor 8 4 bor 17 5 bor 46 ( k 1) [( 34 30) + ( 5 30) + + ( 46 30) ] 18, 8 n 1 n + 1 S ( 1) R nk k χ 5, 0,05 9,49 Mnthogy S 18,8 > 9,49, a nullhpotézst elvetjük, a borok között jelentős különbségek adódtak Irodalomjegyzék: Anonym: xenasotehu/hu/bosc/docs/bometr/course/ (1999) Baráth Cs Ittzés A Ugrósdy Gy: Bometra Mezőgazda Kadó 1996 Kss A Manczel J Pntér L Varga K: Statsztka módszerek alkalmazása a mezőgazdaságban Mezőgazdaság Kadó
12 Kovács István: Statsztka Szent István Egyetem Gazdálkodás és Mezőgazdaság Főskola Kar jegyzete Gyöngyös 000 Korpás Attláné dr szerkesztette, Krszt Varga Kenyeres: Általános statsztka II Nemzet Tankönyvkadó 1997 Fodor János: Bomatematka Meszéna György Zermann Margt: Valószínűségelmélet és matematka statsztka Közgazdaság és Jog Könyvkadó 1981 Murray R Spegel: Statsztka Elmélet és gyakorlat Panem McGraw Hll 1995 Szűcs István: Alkalmazott statsztka Agronorm Kadó 00 Vncze István Verbanova Mára: Nemparaméteres matematka statsztka Elmélet és alkalmazások Akadéma Kadó
Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenVariancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?
Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs
Részletesebbens 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,
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
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
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
Részletesebben20 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,
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),
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
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
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
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
RészletesebbenVarianciaanalízis. Egytényezős kísérletek (Más néven: egyutas osztályozás, egyszempontos varianciaanalízis ANOVA)
Varancaanalízs A varancaanalízs során kettőnél több sokaság középértékenek mnta alapán történő összehasonlítása történk zért nevezk a kétmntás t-próba általánosításának A nullhpotézs eldöntéséhez használuk
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
RészletesebbenNemparaméteres módszerek. Krisztina Boda PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
Nemparaméteres módszerek Krsztna Boda PhD SZTE ÁOK Orvos Fzka és Orvos Informatka Intézet Paraméteres próbák Paraméter: egy szám, amely a populácó eloszlását jellemz (és általában meghatározza). A normáls
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
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
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 -
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
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
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
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. 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
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:
RészletesebbenEloszlás-független módszerek 13. elıadás ( lecke)
Eloszlás-független módszerek 13. elıadás (25-26. lecke) Rangszámokon alapuló korrelációs együttható A t-próbák és a VA eloszlásmentes megfelelıi 25. lecke A Spearman-féle rangkorrelációs együttható A Kendall-féle
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:
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
RészletesebbenNEMPARAMÉTERES PRÓBÁK
NEMPARAMÉTERES PRÓBÁK A nemparaméteres próbák nem tételezk föl a normáls eloszlást. A leggyakrabban használt próbák (pl. a t-próbák, ANOVA) feltételezk a normáls eloszlást. Sokszor ez nem teljesül. Következmény:
RészletesebbenDr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások
Dr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások Bevezetés A magas mérési szintű változók adataiból számolhatunk átlagot, szórást. Fontos módszerek alapulnak ezeknek a származtatott paramétereknek
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
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
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
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
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
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
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
RészletesebbenKísérlettervezési alapfogalmak:
Kísérlettervezés alapfogalmak: Tényező, faktor (factor) független változó, ható tényező (kezelés, gyógyszer, takarmány, genotípus, élőhely, stb.) amnek hatását a kísérletben vzsgáln vagy összehasonlítan
RészletesebbenA 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:
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
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
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
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
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
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.
Korrelácó-számítás 1. előadás Döntéselőkészítés módszertana Dr. Varga Beatr Két változó között kapcsolat Függetlenség: Az X smérv szernt hovatartozás smerete nem ad semmlen többletnformácót az Y szernt
RészletesebbenA sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos
Középérték Középérték A középérték a statisztikai adatok tömör számszerű jellemzése. helyzeti középérték: módusz medián számított középérték: számtani átlag kronológikus átlag harmonikus átlag mértani
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet
Kettőnél több csoport vizsgálata Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet Gyógytápszerek (kilokalória/adag) Három gyógytápszer A B C 30 5 00 10 05 08 40 45 03 50 35 190 Kérdések: 1. Van-e
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
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
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,
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
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenA konfidencia intervallum képlete: x± t( α /2, df )
1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,
RészletesebbenStatisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
RészletesebbenTeljes eseményrendszer. Valószínőségszámítás. Példák. Teljes valószínőség tétele. Példa. Bayes tétele
Teljes eseményrendszer Valószínőségszámítás 3. elıadás 2009.09.22. Defnícó. Események A 1, A 2,..., sorozata teljes eseményrendszer, ha egymást páronként kzárják és egyesítésük Ω. Tulajdonság: P A ) +
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
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenHipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018
Hipotézisvizsgálat az Excel adatelemző eljárásaival Dr. Nyéki Lajos 2018 Egymintás t-próba Az egymintás T-próba azt vizsgálja, hogy különbözik-e a változó M átlaga egy megadott m konstanstól. Az a feltételezés,
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenBIOMETRIA (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
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás
RészletesebbenPélda: Egy üzletlánc boltjainak forgalmára vonatkozó adatok 1999. október hó: (adott a vastagon szedett!) S i g i z i g i z i
. konzult. LEV. 013. ápr. 5. MENNYISÉGI ISMÉRV szernt ELEMZÉS Tk. 3-8., 88-90. oldal, kmarad: 70., 74. oldal A mennység smérv (X) lehet: dszkrét és folytonos. A rangsor a mennység smérv értékenek monoton
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a bometrába Dr. Dnya Elek egyetem tanár PhD kurzus. KOKI, 205.0.08. ADATREDUKCIÓ I. Középértékek Adatredukcó. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények:
RészletesebbenBevezetés a hipotézis vizsgálatba. Hipotézisvizsgálatok. Próbák leírása. Kétoldali és egyoldali hipotézisek. Illeszkedésvizsgálatok
Bevezetés a hpotézs vzsgálatba Lásd előadás ayagát. Kétoldal és egyoldal hpotézsek Hpotézsvzsgálatok Ebbe a ejezetbe egyajta határozókulcsot szereték ad a hpotézsvzsgálatba haszált próbákhoz. Először dötsük
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenGyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések
Gakorló feladatok a Kísérletek tervezése és értékelése c. tárgból Lneárs regresszó, smétlés nélkül mérések 1. példa Az alább táblázat eg kalbrácós egenes felvételekor mért adatokat tartalmazza: x 1.8 3
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
RészletesebbenStatisztika I. 9. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari
Részletesebben? közgazdasági statisztika
Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB B Elem
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenAdatsorok jellegadó értékei
Adatsorok jellegadó értéke Varga Ágnes egyetem tanársegéd varga.ag14@gmal.com Terület és térnformatka kvanttatív elemzés módszerek BCE Geo Intézet Terület elemzés forgatókönyve vacsora hasonlat Terület
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
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kdolgozott feladatok a nemparaméteres statsztka témaköréből A táékozódást mndenféle színkódok segítk. A feladatok eredet szövege zöld, a megoldások fekete, a fgyelmeztető, magyarázó elemek pros színűek.
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
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,
RészletesebbenModern 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
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 09 Rendezések
Algortmusok és adatszerkezetek gyakorlat 09 Rendezések Néhány órával ezelőtt megsmerkedtünk már a Merge Sort rendező algortmussal. A Merge Sort-ról tuduk, hogy a legrosszabb eset dőgénye O(n log n). Tetszőleges
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
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
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
RészletesebbenExtrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés
Extrém-érték modellezés Zemplén András Alkalmazott modul 03. február. Extrém-érték elemzés Klasszkus módszerek: év maxmumon alapulnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízbıl
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.
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
RészletesebbenMATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap
Közlekedésmérnök Kar Jármőtervezés és vzsgálat alapja I. Feladatlap NÉV:..tk.:. Feladat sorsz.:.. Feladat: Egy jármő futómő alkatrész terhelésvzsgálatakor felvett, az alkatrészre ható terhelı erı csúcsértékek
RészletesebbenKiváltott agyi jelek informatikai feldolgozása Statisztika - Gyakorlat Kiss Gábor IB.157.
Kiváltott agyi jelek informatikai feldolgozása 2018 Statisztika - Gyakorlat Kiss Gábor IB.157. kiss.gabor@tmit.bme.hu Példa I (Vonat probléma) Aladár 25 éves és mindkét nagymamája él még: Borbála és Cecília.
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
RészletesebbenAz entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
RészletesebbenStatisztika I. 3. előadás. Előadó: Dr. Ertsey Imre
Statsztka I. 3. előadás Előadó: Dr. Ertsey Imre Vszonyszámok Statsztka munka: adatgyűjtés, rendszerezés, összegzés, értékelés. Vszonyszámok: Két statsztka adat arányát kfejező számok, Az un. leszármaztatott
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
RészletesebbenBékefi Zoltán. Közlekedési létesítmények élettartamra vonatkozó hatékonyság vizsgálati módszereinek fejlesztése. PhD Disszertáció
Közlekedés létesítmények élettartamra vonatkozó hatékonyság vzsgálat módszerenek fejlesztése PhD Dsszertácó Budapest, 2006 Alulírott kjelentem, hogy ezt a doktor értekezést magam készítettem, és abban
RészletesebbenDarupályák ellenőrző mérése
Darupályák ellenőrző mérése A darupályák építésére, szerelésére érvényes 15030-58 MSz szabvány tartalmazza azokat az előírásokat, melyeket a tervezés, építés, műszak átadás során be kell tartan. A geodéza
RészletesebbenDr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola
Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
Részletesebben