Zavar (confounding): akkor lép fel egy kísérletben, ha a kísérletet végző nem tudja megkülönböztetni az egyes faktorokat.
|
|
- Domokos Pásztor
- 5 évvel ezelőtt
- Látták:
Átírás
1 Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat.
2 Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat. Pl.: Idé midekitől levouk 1 potot, ha em jeleik meg az előadáso, javul-e a részvételi aráy? Tfh., hogy javul. De lehet, hogy tavaly reggel 8-kor volt az előadás, és azért em jártak. A két faktor em külöböztethető meg.
3 Zavar és mita Zavar (cofoudig): akkor lép fel egy kísérletbe, ha a kísérletet végző em tudja megkülöbözteti az egyes faktorokat. Pl.: Idé midekitől levouk 1 potot, ha em jeleik meg az előadáso, javul-e a részvételi aráy? Tfh., hogy javul. De lehet, hogy tavaly reggel 8-kor volt az előadás, és azért em jártak. A két faktor em külöböztethető meg. A kísérletet lehetőleg úgy kell megtervezi, hogy e lépje fel zavar.
4 Blokkosítás A zavar elkerülését segítheti a blokkosítás: és mita
5 Blokkosítás és mita A zavar elkerülését segítheti a blokkosítás: Felosztjuk a populációt olya alcsoportokra, melyekbe a kísérlet szempotjából fotos tulajdoságok megegyezek. Midegyik blokkba véletleszerűe választjuk ki a kezelteket.
6 Blokkosítás és mita A zavar elkerülését segítheti a blokkosítás: Felosztjuk a populációt olya alcsoportokra, melyekbe a kísérlet szempotjából fotos tulajdoságok megegyezek. Midegyik blokkba véletleszerűe választjuk ki a kezelteket.
7 Blokkosítás és mita A zavar elkerülését segítheti a blokkosítás: Felosztjuk a populációt olya alcsoportokra, melyekbe a kísérlet szempotjából fotos tulajdoságok megegyezek. Midegyik blokkba véletleszerűe választjuk ki a kezelteket.
8 Radomizált és kotrollált és mita Egy elterjedt módszer a teljese radomizált (véletleszerűsített) elredezés: Véletleszerűe választjuk ki azokat, akik kezelést kapak
9 Radomizált és kotrollált és mita Egy elterjedt módszer a teljese radomizált (véletleszerűsített) elredezés: Véletleszerűe választjuk ki azokat, akik kezelést kapak Egy másik megközelítés a szigorúa kotrollált elredezés: Nagyo körültekitőe kiválasztott egyedek, pl. ha véryomáscsökketőt tesztelük és az egyik blokkba va egy 30 éves túlsúlyos, cigarettázó férfi, aki szereti a sós és zsíros ételeket, akkor a másik blokkba is teszük ilyet.
10 és mita STATISZTIKUS SOKASÁG ÉS MINTA
11 és mita Defiíció: a statisztikai vizsgálat tárgyát képező egyedek összességét a hozzájuk tartozó (szempotukból érdekes) adatokkal együtt egy statisztikai ak vagy populációak hívjuk. Példák Magyarországi lakosok testmagassága, életkora, véryomása, stb. Folyó vízállása, közutak vagy routerek terheltsége, tőzsdei árfolyam, stb. Telefobeszélgetések hossza, hívások közti várakozási idő, kozmikus részecskék észlelése, stb.
12 és mita Defiíció: a statisztikai vizsgálat tárgyát képező egyedek összességét a hozzájuk tartozó (szempotukból érdekes) adatokkal együtt egy statisztikai ak vagy populációak hívjuk. Példák Magyarországi lakosok testmagassága, életkora, véryomása, stb. Folyó vízállása, közutak vagy routerek terheltsége, tőzsdei árfolyam, stb. Telefobeszélgetések hossza, hívások közti várakozási idő, kozmikus részecskék észlelése, stb.
13 és mita Defiíció: a statisztikai vizsgálat tárgyát képező egyedek összességét a hozzájuk tartozó (szempotukból érdekes) adatokkal együtt egy statisztikai ak vagy populációak hívjuk. Példák Magyarországi lakosok testmagassága, életkora, véryomása, stb. Folyó vízállása, közutak vagy routerek terheltsége, tőzsdei árfolyam, stb. Telefobeszélgetések hossza, hívások közti várakozási idő, kozmikus részecskék észlelése, stb.
14 Sokaság eloszlása és mita i eloszlása Ha a vizsgálat tárgyát képező egyedek száma N, akkor mide egyes egyed 1/N valószíűséggel fordul elő, illetve ha az egyedek egy A részhalmaza k egyedet tartalmaz, akkor aak valószíűsége k/n. Ezzel a statisztikai valószíűségi mezővé válik, az egyedekhez tartozó számértékek pedig egy X valószíűségi változóvá. Defiíció: az így kapott X eloszlását hívjuk a a statisztikai eloszlásáak. Ameyibe több számérték is érdekel miket egyedekét, a több dimezióssá válik, és a X 1, X 2,..., X együttes eloszlását evezzük a eloszlásáak.
15 Sokaság eloszlása és mita i eloszlása Ha a vizsgálat tárgyát képező egyedek száma N, akkor mide egyes egyed 1/N valószíűséggel fordul elő, illetve ha az egyedek egy A részhalmaza k egyedet tartalmaz, akkor aak valószíűsége k/n. Ezzel a statisztikai valószíűségi mezővé válik, az egyedekhez tartozó számértékek pedig egy X valószíűségi változóvá. Defiíció: az így kapott X eloszlását hívjuk a a statisztikai eloszlásáak. Ameyibe több számérték is érdekel miket egyedekét, a több dimezióssá válik, és a X 1, X 2,..., X együttes eloszlását evezzük a eloszlásáak.
16 Sokaság eloszlása és mita i eloszlása Ha a vizsgálat tárgyát képező egyedek száma N, akkor mide egyes egyed 1/N valószíűséggel fordul elő, illetve ha az egyedek egy A részhalmaza k egyedet tartalmaz, akkor aak valószíűsége k/n. Ezzel a statisztikai valószíűségi mezővé válik, az egyedekhez tartozó számértékek pedig egy X valószíűségi változóvá. Defiíció: az így kapott X eloszlását hívjuk a a statisztikai eloszlásáak. Ameyibe több számérték is érdekel miket egyedekét, a több dimezióssá válik, és a X 1, X 2,..., X együttes eloszlását evezzük a eloszlásáak.
17 Sokaság eloszlása és mita i eloszlása Ha a vizsgálat tárgyát képező egyedek száma N, akkor mide egyes egyed 1/N valószíűséggel fordul elő, illetve ha az egyedek egy A részhalmaza k egyedet tartalmaz, akkor aak valószíűsége k/n. Ezzel a statisztikai valószíűségi mezővé válik, az egyedekhez tartozó számértékek pedig egy X valószíűségi változóvá. Defiíció: az így kapott X eloszlását hívjuk a a statisztikai eloszlásáak. Ameyibe több számérték is érdekel miket egyedekét, a több dimezióssá válik, és a X 1, X 2,..., X együttes eloszlását evezzük a eloszlásáak.
18 és mita, mitavételezés Defiíció: ha a statisztikai ból kiválasztuk egyedet, akkor a hozzájuk tartozó x 1, x 2,..., x értékek egy elemű mitát adak. Defiíció: az x 1, x 2,..., x függetleek, ha visszatevéssel választottuk őket, (visszatevés élkül, de a mérete gyakorlatilag végtele). Ha a mita megegyezik a populációval, akkor cezusról beszélük.
19 és mita, mitavételezés Defiíció: ha a statisztikai ból kiválasztuk egyedet, akkor a hozzájuk tartozó x 1, x 2,..., x értékek egy elemű mitát adak. Defiíció: az x 1, x 2,..., x függetleek, ha visszatevéssel választottuk őket, (visszatevés élkül, de a mérete gyakorlatilag végtele). Ha a mita megegyezik a populációval, akkor cezusról beszélük.
20 vételezés Véletle mitavétel: a populáció mide tagjáak ugyaakkora esélye va a bekerülésre. és mita
21 vételezés és mita Véletle mitavétel: a populáció mide tagjáak ugyaakkora esélye va a bekerülésre. Egyszerű hosszúságú véletle mitavétel: mide hosszúságú mitáak ugyaakkora a kiválasztási esélye.
22 vételezés és mita Véletle mitavétel: a populáció mide tagjáak ugyaakkora esélye va a bekerülésre. Egyszerű hosszúságú véletle mitavétel: mide hosszúságú mitáak ugyaakkora a kiválasztási esélye. Szisztematikus mitavétel: valamilye kezdőpottól idulva kiválasztjuk mide K-adik elemet a populációból.
23 vételezés és mita Véletle mitavétel: a populáció mide tagjáak ugyaakkora esélye va a bekerülésre. Egyszerű hosszúságú véletle mitavétel: mide hosszúságú mitáak ugyaakkora a kiválasztási esélye. Szisztematikus mitavétel: valamilye kezdőpottól idulva kiválasztjuk mide K-adik elemet a populációból. Problémás lehet, ha a populáció is szisztematikusa va redezve.
24 vételezés és mita Kéyelmes mitavétel: haszáljuk azt a mitát, amit a legköyebb beszerezi.
25 vételezés és mita Rétegzett mitavétel: felosztjuk a populációt rétegekre (csoportokra), melyeke belül a kísérlet szempotjából fotos tulajdoságok azoosak vagy hasolók, majd mitát veszük midegyik rétegből.
26 vételezés és mita Klaszter mitavétel: felosztjuk a populációt valamilye természetes módo (pl. iráyítószám alapjá) klaszterekre, véletleszerűe választuk a klaszterek közül, majd a kiválasztott klaszter összes tagját haszáljuk.
27 Paraméter és statisztika és mita
28 Paraméter és statisztika és mita Paraméter A statisztikai ot (populációt) jellemző umerikus érték a sokáság egy paramétere.
29 Paraméter és statisztika és mita Paraméter A statisztikai ot (populációt) jellemző umerikus érték a sokáság egy paramétere. i következtetés Defiíció: ha a mita alapjá következtetük valamire valamilye valószíűséggel, az statisztikai következtetés, vagy rövide statisztika. Ezt szokták még becslések is evezi.
30 Paraméter és statisztika és mita Paraméter A statisztikai ot (populációt) jellemző umerikus érték a sokáság egy paramétere. i következtetés Defiíció: ha a mita alapjá következtetük valamire valamilye valószíűséggel, az statisztikai következtetés, vagy rövide statisztika. Ezt szokták még becslések is evezi. Példa A magyarországi lakosok magasságáak várható értéke egy paraméter, és pl. egy 1000 fős mitá a magasságok átlaga az egy ezzel kapcsolatos statisztika.
31 Paraméter és statisztika és mita populáció mita paraméter statisztika
32 Paraméteres becslés és mita Paraméteres és em paraméteres becslések Defiíció: egy statisztikai következtetés paraméteres becslés, ha ismerjük a X eloszlásáak típusát, és ez alapjá az eloszlás valamely paraméterére következtetük. (Pl. tudjuk, hogy biomiális, és meg akarjuk becsüli p-t). Ha em ismerjük az eloszlás típusát, akkor em paraméteres becslésről beszélük.
33 Paraméteres becslés és mita Paraméteres és em paraméteres becslések Defiíció: egy statisztikai következtetés paraméteres becslés, ha ismerjük a X eloszlásáak típusát, és ez alapjá az eloszlás valamely paraméterére következtetük. (Pl. tudjuk, hogy biomiális, és meg akarjuk becsüli p-t). Ha em ismerjük az eloszlás típusát, akkor em paraméteres becslésről beszélük.
34 Paraméteres becslés és mita Paraméteres és em paraméteres becslések Defiíció: egy statisztikai következtetés paraméteres becslés, ha ismerjük a X eloszlásáak típusát, és ez alapjá az eloszlás valamely paraméterére következtetük. (Pl. tudjuk, hogy biomiális, és meg akarjuk becsüli p-t). Ha em ismerjük az eloszlás típusát, akkor em paraméteres becslésről beszélük.
35 és mita függvéy Tegyük fel, hogy elemű, függetle miták va, x 1, x 2,..., x értékekkel. Eze belül mide mita elem 1/ valószíűségű. (Természetese több mita elemhez is társulhat ugyaaz az x érték). Defiíció: a mita empirikus eloszlásfüggvéye: F(x) = 1 1 {i xi < x} = i x i <x, azaz ha összese k olya mita elem va, melyekre x i < x, akkor F(x) = k/.
36 és mita függvéy Tegyük fel, hogy elemű, függetle miták va, x 1, x 2,..., x értékekkel. Eze belül mide mita elem 1/ valószíűségű. (Természetese több mita elemhez is társulhat ugyaaz az x érték). Defiíció: a mita empirikus eloszlásfüggvéye: F(x) = 1 1 {i xi < x} = i x i <x, azaz ha összese k olya mita elem va, melyekre x i < x, akkor F(x) = k/.
37 és mita függvéy Tegyük fel, hogy elemű, függetle miták va, x 1, x 2,..., x értékekkel. Eze belül mide mita elem 1/ valószíűségű. (Természetese több mita elemhez is társulhat ugyaaz az x érték). Defiíció: a mita empirikus eloszlásfüggvéye: F(x) = 1 1 {i xi < x} = i x i <x, azaz ha összese k olya mita elem va, melyekre x i < x, akkor F(x) = k/.
38 és mita Példa Tegyük fel, hogy a táblázatba látható cipőméreteket mértük egy 20 fős csoportba. Milye lesz a cipőméret empirikus eloszlásfüggvéye? méret háy? 38-as 1 39-es 2 40-es 4 41-es 4 42-es 7 43-as 2 = 20 F(x) x
39 Empirikus sűrűségfüggvéy és mita Mi lesz az empirikus sűrűségfüggvéy? Mivel az empirikus eloszlás midig diszkrét, szigorú értelembe itt is csak hisztogramról beszélhetük sűrűségfüggvéy helyett: felosztjuk az x tegelyt x agyságú itervallumokra, itervallumokét a hisztogram kostas; értéke, h egy adott [x, x + x], itervallumra: h x = k h = k x
40 Empirikus sűrűségfüggvéy és mita Mi lesz az empirikus sűrűségfüggvéy? Mivel az empirikus eloszlás midig diszkrét, szigorú értelembe itt is csak hisztogramról beszélhetük sűrűségfüggvéy helyett: felosztjuk az x tegelyt x agyságú itervallumokra, itervallumokét a hisztogram kostas; értéke, h egy adott [x, x + x], itervallumra: h x = k h = k x
41 Empirikus sűrűségfüggvéy és mita Mi lesz az empirikus sűrűségfüggvéy? Mivel az empirikus eloszlás midig diszkrét, szigorú értelembe itt is csak hisztogramról beszélhetük sűrűségfüggvéy helyett: felosztjuk az x tegelyt x agyságú itervallumokra, itervallumokét a hisztogram kostas; értéke, h egy adott [x, x + x], itervallumra: h x = k h = k x
42 Empirikus sűrűségfüggvéy és mita Példa Hogy fog kiézi a cipőméret eloszlás hisztogramja az előző példáál? (Itt x = 1 a természetes választás.) h(x) x
43 Empirikus sűrűségfüggvéy és mita Mi törtéik, ha hatváyszerűe lassa cseg le a sűrűségfüggvéy? Ameyibe ρ(x) x α, előfordulhat, hogy ha azoos méretű x-et haszáluk az előforduló x-ek teljes tartomáyá, akkor a agy értékek felé a hisztogram kilaposodik!
44 Empirikus sűrűségfüggvéy és mita Pl. a Magyar Wikipédia, mit hálózat fokszámeloszlásáak empirikus sűrűségfüggvéye kostas k = 1 eseté: h(k) k
45 Empirikus sűrűségfüggvéy Pl. a Magyar Wikipédia, mit hálózat fokszámeloszlásáak empirikus sűrűségfüggvéye kostas k = 1 eseté: 1 és mita h(k) k 100
46 Empirikus sűrűségfüggvéy Pl. a Magyar Wikipédia, mit hálózat fokszámeloszlásáak empirikus sűrűségfüggvéye kostas k = 1 eseté: 1 és mita h(k) k 100
47 Empirikus sűrűségfüggvéy és mita Ilyekor célszerű a kostas x helyett vagy expoeciálisa övekvő x-et haszáli, ez a logarithmic biig, (ami logaritmikus skálá tűik kostas méretűek), vagy előíri egy miimális esetszámot itervallumokét, és eze kritérium szerit beállítai egy diamikusa változó x-et.
48 Empirikus sűrűségfüggvéy és mita Ilyekor célszerű a kostas x helyett vagy expoeciálisa övekvő x-et haszáli, ez a logarithmic biig, (ami logaritmikus skálá tűik kostas méretűek), vagy előíri egy miimális esetszámot itervallumokét, és eze kritérium szerit beállítai egy diamikusa változó x-et.
49 Empirikus sűrűségfüggvéy és mita A Magyar Wikipédia, mit hálózat fokszámeloszlásáak empirikus sűrűségfüggvéye expoeciálisa övekvő k eseté: h(k) e 05 1e k
50 Empirikus sűrűségfüggvéy és mita Megjegyzés: ha csak a hatváyszerű lecsegés érdekel miket (pl. a hatváykitevő), akkor azt az empirikus eloszlásfüggvéy is megmutatja, (és ott em kell a x-ekkel vesződi): 1 F(k) F(k)~k α k
51 és mita
52 és mita érték Defiíció: Az empirikus várható érték a mita átlagával azoos: x = x1 + x2 + + x = 1 i=1 A agy számok törvéyei alapjá x X, (illetve ha X 4 korlátos, akkor erős értelembe is kovergál). P x i. Empirikus szóráségyzet Defiíció: Az empirikus szóráségyzet az empirikus átlagtól való égyzetes eltérés átlaga: S 2 = (x1 x)2 + (x 2 x) (x x) 2 = 1 i=1 (x i x) 2.
53 és mita érték Defiíció: Az empirikus várható érték a mita átlagával azoos: x = x1 + x2 + + x = 1 i=1 A agy számok törvéyei alapjá x X, (illetve ha X 4 korlátos, akkor erős értelembe is kovergál). P x i. Empirikus szóráségyzet Defiíció: Az empirikus szóráségyzet az empirikus átlagtól való égyzetes eltérés átlaga: S 2 = (x1 x)2 + (x 2 x) (x x) 2 = 1 i=1 (x i x) 2.
54 és mita érték Defiíció: Az empirikus várható érték a mita átlagával azoos: x = x1 + x2 + + x = 1 i=1 A agy számok törvéyei alapjá x X, (illetve ha X 4 korlátos, akkor erős értelembe is kovergál). P x i. Empirikus szóráségyzet Defiíció: Az empirikus szóráségyzet az empirikus átlagtól való égyzetes eltérés átlaga: S 2 = (x1 x)2 + (x 2 x) (x x) 2 = 1 i=1 (x i x) 2.
55 Mi az empirikus szóráségyzet várható értéke? és mita Empirikus szóráségyzet várható értéke
56 és mita Mi az empirikus szóráségyzet várható értéke? Korábba a szórás tárgyalásáál már levezettük, S 2 = 1 σ2 Empirikus szóráségyzet várható értéke
57 és mita Mi az empirikus szóráségyzet várható értéke? Korábba a szórás tárgyalásáál már levezettük, Korrigált empirikus szóráségyzet S 2 = 1 σ2 A fetiek alapjá a korrigált empirikus szóráségyzet: S 2 = 1 S2 = 1 1 i=1 (x i x) 2. Empirikus szóráségyzet várható értéke
58 és mita Mi az empirikus szóráségyzet várható értéke? Korábba a szórás tárgyalásáál már levezettük, Korrigált empirikus szóráségyzet S 2 = 1 σ2 A fetiek alapjá a korrigált empirikus szóráségyzet: S 2 = 1 S2 = 1 1 i=1 (x i x) 2. Eek várható értéke már megegyezik a szóráségyzetével, S 2 = 1 S2 = σ 2. Empirikus szóráségyzet várható értéke
59 és mita
60 Hogya lehete pl. a kvartiliseket megbecsüli a mita alapjá? és mita
61 Hogya lehete pl. a kvartiliseket megbecsüli a mita alapjá? és mita - Redezzük a mitákat érték alapjá,
62 Hogya lehete pl. a kvartiliseket megbecsüli a mita alapjá? és mita - Redezzük a mitákat érték alapjá, - és a mitaelemek első egyedéél lesz az alsó kvartilis,
63 Hogya lehete pl. a kvartiliseket megbecsüli a mita alapjá? és mita - Redezzük a mitákat érték alapjá, - és a mitaelemek első egyedéél lesz az alsó kvartilis, - (a feléél va a mediá),
64 Hogya lehete pl. a kvartiliseket megbecsüli a mita alapjá? és mita - Redezzük a mitákat érték alapjá, - és a mitaelemek első egyedéél lesz az alsó kvartilis, - (a feléél va a mediá), - és a háromegyedéél a felső kvartilis.
65 Boxplot és mita Egy adathalmaz 5-szám összesítője: 1) a miimum, 2) az alsó kvartilis, Q 1, 3) a mediá, Q 2, 4) a felső kvartilis Q 3, 5) a maximum. Ezeket egy ú. boxplot-ba szokás összefoglali: Az adathalmaz terjedelme (agolul rage) a maximum és miimum közti külöbség. Az iterkvartilis terjedelem (IQR): Q 3 Q 1.
66 Boxplot A boxplot éháy eloszlásfajta eseté: és mita
67 Boxplot A boxplot éháy eloszlásfajta eseté: és mita
68 Outlier A kiugró értékeket hívjuk outlier-ek: és mita
69 Outlier és mita A kiugró értékeket hívjuk outlier-ek: - outlier, ha Q 3-at meghaladja az IQR másfélszeresével, - outlier, ha Q 1-él több mit IQR másfélszeresével kisebb.
70 Outlier és mita A kiugró értékeket hívjuk outlier-ek: - outlier, ha Q 3-at meghaladja az IQR másfélszeresével, - outlier, ha Q 1-él több mit IQR másfélszeresével kisebb. Az outlier-ekek drámai hatása lehet az átlagra és a szórásra.
71 Outlier és mita A kiugró értékeket hívjuk outlier-ek: - outlier, ha Q 3-at meghaladja az IQR másfélszeresével, - outlier, ha Q 1-él több mit IQR másfélszeresével kisebb. Az outlier-ekek drámai hatása lehet az átlagra és a szórásra. Ezeket általába külö csillaggal jelöljük, és a maradék adatokra csiáluk box-plotot.
72 Boxplot A boxplot akkor igazá érdekes, ha több mitát hasolítuk össze egymással: és mita
73 Boxplot A boxplot akkor igazá érdekes, ha több mitát hasolítuk össze egymással: és mita
74 Boxplot A boxplot akkor igazá érdekes, ha több mitát hasolítuk össze egymással: és mita
75 Boxplot A boxplot akkor igazá érdekes, ha több mitát hasolítuk össze egymással: és mita
76 és mita
77 és mita Külööse fotos az az eset, amikor a statisztikai ormális eloszlású, ami azt jeleti, hogy X eloszlása ormális, X N (µ, σ).
78 és mita Külööse fotos az az eset, amikor a statisztikai ormális eloszlású, ami azt jeleti, hogy X eloszlása ormális, X N (µ, σ). Természetese ilyekor az x i mitaelemekre is tekithetük úgy, mit µ várható értékű és σ szórású ormális eloszlású függetle változókra, x i N (µ, σ).
79 Tegyük fel tehát, hogy x i N (µ, σ). és mita
80 Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz x eloszlása? és mita
81 és mita Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz x eloszlása? Mivel a ormális eloszlás stabil, i=1 x N (µ, x i N (µ, σ), σ ) x = 1 x i i=1
82 Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? és mita
83 Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? és mita S 2 = 1 i x) i=1(x 2 = 1 i=1 xi 1 1 i=1 x 2 i 2xi x j + 1 j=1 2 j=1 1 1 i=1 i=1 x 2 i 2 2 i,j=1 x 2 i 2 2 i=1 j=1 x ix j ( 1 1 ) 2 x 2 i 2 2 i<j i=1 j=1 x j x 2 i + 2 x ix j i<j 2 x j = 2 = x 2 j + 2 x jx k j<k = x ix j = 1 1 j=1 i=1 x 2 j + 2 x jx k j<k = x 2 i 2 2 x ix j i<j
84 és mita Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? S 2 = 1 1 i=1 x 2 i 2 2 x ix j i<j
85 és mita Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? S 2 = 1 1 i=1 x 2 i 2 2 x ix j i<j Bevezetük egy új változót, melyek eloszlása stadard ormális, z i = xi µ σ x i = µ + σz i, z i N (0, 1),
86 és mita Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? S 2 = 1 1 i=1 x 2 i 2 2 x ix j i<j Bevezetük egy új változót, melyek eloszlása stadard ormális, ezzel S 2 = z i = xi µ σ x i = µ + σz i, z i N (0, 1), 1 1 (µ 2 + 2µσz i + σ 2 z 2 i ) 2 i=1 2 (µ 2 + µσz i + µσz j + σ 2 z jz j ) = i<j 1 µ µσ z i ( 1) 2 i=1 µ 2 2 ( 1)µσ 2 i=1 σ2 z 2 i i=1 z i 2 2 σ2 z iz j i<j
87 és mita Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? S 2 = 1 1 i=1 x 2 i 2 2 x ix j i<j Bevezetük egy új változót, melyek eloszlása stadard ormális, ezzel z i = xi µ σ S 2 = σ x i = µ + σz i, z i N (0, 1), i=1 z 2 i σ z iz j i<j
88 és mita Tegyük fel tehát, hogy x i N (µ, σ). Mi lesz S 2 eloszlása? S 2 = 1 1 i=1 x 2 i 2 2 x ix j i<j Bevezetük egy új változót, melyek eloszlása stadard ormális, ezzel z i = xi µ σ S 2 = σ x i = µ + σz i, z i N (0, 1), i=1 z 2 i σ z iz j i<j Bevezetük még egy új változót, y = S2 σ 2, melyre y = 1 i=1 z 2 i 2 z jz j = (1 1 i<j ) z 2 i 2 z iz j. i<j i=1
89 és mita Az y változó sűrűségfüggvéye és karakterisztikus függvéye: ρ(y) = dz 1 dz δ y (1 1 ) z 2 i 2 i<j ϕ y(t) = e z 1 2 e z 2 1 e z 2 2π 2π 2π ρ(y)e ity dy = 2 dz1 dz (2π) 2 i=1 z iz j e it(1 1 ) z 2 i 2it z i z j 1 2 z 2 i i=1 i<j i=1 Az expoesbe lévő kifejezés felfogható úgy, mit egy mátrix szedvicselés: it (1 1 ) i=1 z 2 i 2it z iz j 1 i<j 2 i=1 z 2 i = za z 1 it (1 1 ) it it 2 it 1 A = it (1 1 ) it 2 it it 1 2 it (1 1 )
90 és mita Az y változó sűrűségfüggvéye és karakterisztikus függvéye: ρ(y) = dz 1 dz δ y (1 1 ) z 2 i 2 i<j ϕ y(t) = e z 1 2 e z 2 1 e z 2 2π 2π 2π ρ(y)e ity dy = 2 dz1 dz (2π) 2 i=1 z iz j e it(1 1 ) z 2 i 2it z i z j 1 2 z 2 i i=1 i<j i=1 Az expoesbe lévő kifejezés felfogható úgy, mit egy mátrix szedvicselés: it (1 1 ) i=1 z 2 i 2it z iz j 1 i<j 2 i=1 z 2 i = za z 1 it (1 1 ) it it 2 it 1 A = it (1 1 ) it 2 it it 1 2 it (1 1 )
91 és mita Ezzel a ϕ y(t) karakterisztikus függvéy: ϕ y(t) = hisze A saját redszerére áttérve A v i = λ i v i, det A = ϕ y(t) = i=1 dz1 dz e za z = (2π) 2 i=1 λ i, du1 du (2π) 2 du 1 e λ 1u 2 1 2π 1 2π π λ i. e λ i u 2 i i=1 1 (2π) 2 π e αx2 = α = du 2 e λ 2u 2 2 2π π det A, du 2π e λu2 =
92 és mita Ezzel a ϕ y(t) karakterisztikus függvéy: ϕ y(t) = hisze A saját redszerére áttérve A v i = λ i v i, det A = ϕ y(t) = i=1 dz1 dz e za z = (2π) 2 i=1 λ i, du1 du (2π) 2 du 1 e λ 1u 2 1 2π 1 2π π λ i. e λ i u 2 i i=1 1 (2π) 2 π e αx2 = α = du 2 e λ 2u 2 2 2π π det A, du 2π e λu2 =
93 és mita Az A determiásáak meghatározásához először felbotjuk: A = ( 1 2 it) Ez alapjá egy tetszőleges v = v 1 v A v = ( 1 2 it) v + it + it eseté i=1 v i
94 és mita Az A determiásáak meghatározásához először felbotjuk: A = ( 1 2 it) Ez alapjá egy tetszőleges v = v 1 v A v = ( 1 2 it) v + it + it eseté i=1 v i
95 és mita Az A determiásáak meghatározásához először felbotjuk: A = ( 1 2 it) Ez alapjá egy tetszőleges v = Az A sajátvektorai: v 1 v A v = ( 1 2 it) v + it + it eseté i=1 v i
96 és mita Az A determiásáak meghatározásához először felbotjuk: A = ( 1 2 it) Ez alapjá egy tetszőleges v = Az A sajátvektorai: v 1 v A v = ( 1 2 it) v + it + it eseté i=1 v i Ha v i = 0 teljesül, akkor eze belül v tetszőleges lehet, azaz ez i=1 egy 1 dimeziós altér 1 darab λ = ( 1 it) sajátértékkel. 2
97 és mita Az A determiásáak meghatározásához először felbotjuk: A = ( 1 2 it) Ez alapjá egy tetszőleges v = Az A sajátvektorja: v 1 v A v = ( 1 2 it) v + it Ha v i 0 akkor a sajátvektor v = i=1 + it eseté i=1 v i , a sajátérték λ = ( 1 2 it) + it = 1 2
98 és mita Az A determiásáak meghatározásához először felbotjuk: A = ( 1 2 it) Ez alapjá egy tetszőleges v = Az A determiása: v 1 v A v = ( 1 2 it) v + it + it eseté i=1 v i det A = 1 2 ( 1 2 it)
99 és mita A ϕ y(t) karakterisztikus függvéy: 1 ϕ y(t) = (2π) 2 π det A = 1 (2π) 2 π 1 ( 1 = 2 2 it) 1 1 (1 2it) 1 2 Ez egy 1 szabadsági fokú χ 2 eloszlás karakterisztikus függvéye! ρ(y) = y Γ ( 1 2 ) e y 2,. Az empirikus szóráségyzet eloszlása A fetiek alapjá az S 2 eloszlása egy átskálázott, 1 szabadsági fokú χ 2 eloszlás, hisze S 2 = σ2 y χ 2 -eloszlás karakterisztikus függvéye Kofidecia itervallum
A 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 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
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
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
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
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
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
RészletesebbenStatisztika 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
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
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................................
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
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.
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
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
Részletesebben(A TÁMOP /2/A/KMR számú projekt keretében írt egyetemi jegyzetrészlet):
A umerikus sorozatok fogalma, határértéke (A TÁMOP-4-8//A/KMR-9-8 számú projekt keretébe írt egyetemi jegyzetrészlet): Koverges és diverges sorozatok Defiíció: A természetes számoko értelmezett N R sorozatokak
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:
RészletesebbenKomputer statisztika
Eszterházy Károly Főiskola Matematikai és Iformatikai Itézet Tómács Tibor Komputer statisztika Eger, 010. október 6. Tartalomjegyzék Előszó 4 Jelölések 5 1. Valószíűségszámítás 7 1.1. Valószíűségi mező............................
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.
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:
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
RészletesebbenBIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika
BIOSTATISZTIKA ÉS INFORMATIKA Leíró statisztika Első közelítésbe a statisztikai tevékeységeket égy csoportba sorolhatjuk, de ezek között ics éles határ:. adatgyűjtés, 2. az adatok áttekithetővé tétele,
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
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 statisztika részei. Példa:
STATISZTIKA Miért tauljuk statisztikát? Mire haszálhatjuk? Szakirodalom értő és kritikus olvasásához Mit állít egyáltalá a cikk? Korrektek-e a megállaítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez,
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
Részletesebben6. feladatsor. Statisztika december 6. és 8.
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
RészletesebbenSorozatok, határérték fogalma. Függvények határértéke, folytonossága
Sorozatok, határérték fogalma. Függvéyek határértéke, folytoossága 1) Végtele valós számsorozatok Fogalma, megadása Defiíció: A természetes számok halmazá értelmezett a: N R egyváltozós valós függvéyt
Részletesebben2. Hatványsorok. A végtelen soroknál tanultuk, hogy az. végtelen sort adja: 1 + x + x x n +...
. Függvéysorok. Bevezetés és defiíciók A végtele sorokál taultuk, hogy az + x + x + + x +... végtele összeg x < eseté koverges. A feti végtele összegre úgy is godolhatuk, hogy végtele sok függvéyt aduk
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
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....................
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 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,
RészletesebbenÁringadozások elıadás Kvantitatív pénzügyek szakirány 2012/13 2. félév
Árigadozások elıadás Kvatitatív pézügyek szakiráy 01/13. félév Heti óra elıadás + óra gyakorlat Elıadás: fıleg modellek, elemzési módszerek Gyakorlat: R programmal, alkalmazások Számokérés 50%: beadadó
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
RészletesebbenA függvénysorozatok olyanok, mint a valós számsorozatok, csak éppen a tagjai nem valós számok,
l.ch FÜGGVÉNYSOROZATOK, FÜGGVÉNYSOROK, HATVÁNYSOROK Itt egy függvéysorozat: f( A függvéysorozatok olyaok, mit a valós számsorozatok, csak éppe a tagjai em valós számok, 5 haem függvéyek, f ( ; f ( ; f
Részletesebben1. Sajátérték és sajátvektor
1. Sajátérték és sajátvektor Leképezés diagoális mátrixa. Kérdés Mely bázisba lesz egy traszformáció mátrixa diagoális? A Hom(V) és b 1,...,b ilye bázis. Ha [A] b,b főátlójába λ 1,...,λ áll, akkor A(b
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
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
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
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
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
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
Részletesebben18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható
8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.
RészletesebbenEmpirikus szórásnégyzet
Empirikus égyzet Mi lee hasoló szellembe a becslése a mita alapjá? Empirikus égyzet Mi lee hasoló szellembe a becslése a mita alapjá? Az átlagtól való égyzetes eltérést kée átlagoli... Empirikus égyzet
RészletesebbenA tárgy címe: ANALÍZIS 1 A-B-C (2+2). 1. gyakorlat
A tárgy címe: ANALÍZIS A-B-C + gyakorlat Beroulli-egyelőtleség Legye N, x k R k =,, és tegyük fel, hogy vagy x k 0 k =,, vagy pedig x k 0 k =,, Ekkor + x k + x k Speciális Beroulli-egyelőtleség Ha N és
RészletesebbenStatisztika október 27.
Statisztika 2011. október 27. Külöbség valószíőségszámítás és statisztika között Kísérlet: 4-szer dobuk fel egy érmét. Megszámoljuk a fejek számát. Valszám: Ismert a fejdobás valószíősége. Milye valószíőséggel
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
RészletesebbenGyakorló feladatok II.
Gyakorló feladatok II. Valós sorozatok és sorok Közgazdász szakos hallgatókak a Matematika B című tárgyhoz 2005. október Valós sorozatok elemi tulajdoságai F. Pozitív állítás formájába fogalmazza meg azt,
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,
RészletesebbenElemi statisztika fizikusoknak
1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok
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
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
RészletesebbenKÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN
KÍSÉRLETTERVEZÉS ÉS ÉRTÉKELÉS A MIKROBIOLÓGIAI GYAKORLATBAN DR. REICHART OLIVÉR 005. Budapest Lektorálta: Zukál Edre Tartalom BEVEZETÉS 3. VALÓSZÍNŰSÉGSZÁMÍTÁSI ALAPOK 5.. Kombiatorikai alapösszefüggések
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
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
RészletesebbenFeladatok és megoldások a 11. heti gyakorlathoz
Feladatok és megoldások a. het gyakorlathoz dszkrét várható érték Építőkar Matematka A. Egy verseye öt ő és öt férf verseyző dul. Tegyük fel, hogy cs két azoos eredméy, és md a 0! sorred egyformá valószíű.
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
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.
RészletesebbenPopuláció nagyságának felmérése, becslése
http:/zeus.yf.hu/~szept/kuzusok.htm Populáció agyságáak felméése, becslése Becsült paaméteek: N- az adott populáció teljes agysága (egyed, pá, stb) D- dezitás (sűűség), egységyi felülete/téfogata számított
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
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
RészletesebbenMatematika I. 9. előadás
Matematika I. 9. előadás Valós számsorozat kovergeciája +-hez ill. --hez divergáló sorozatok A határérték és a műveletek kapcsolata Valós számsorozatok mootoitása, korlátossága Komplex számsorozatok kovergeciája
RészletesebbenMatematikai statisztika gyakorlat Programtervez informatikus alapszak, A szakirány 2018/2019 tavaszi félév Megoldások, végeredmények
Matematikai statisztika gyakorlat Programtervez iformatikus alapszak, A szakiráy 8/9 tavaszi félév Megoldások, végeredméyek. A. évi épszámlálás alapjá a -4 év közötti épesség emek szeriti megoszlása Forrás:
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
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:
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
RészletesebbenANALÍZIS I. TÉTELBIZONYÍTÁSOK ÍRÁSBELI VIZSGÁRA
ANALÍZIS I. TÉTELBIZONYÍTÁSOK ÍRÁSBELI VIZSGÁRA Szerkesztette: Balogh Tamás 202. július 2. Ha hibát találsz, kérlek jelezd a ifo@baloghtamas.hu e-mail címe! Ez a Mű a Creative Commos Nevezd meg! - Ne add
Részletesebben3. SOROZATOK. ( n N) a n+1 < a n. Egy sorozatot (szigorúan) monotonnak mondunk, ha (szigorúan) monoton növekvő vagy csökkenő.
3. SOROZATOK 3. Sorozatok korlátossága, mootoitása, kovergeciája Defiíció. Egy f : N R függvéyt valós szám)sorozatak evezük. Ha A egy adott halmaz és f : N A, akkor f-et A-beli értékű) sorozatak evezzük.
RészletesebbenValószín ségszámítás (jegyzet)
Valószí ségszámítás (jegyzet) Csiszár Vill 9. február 8.. Valószí ségi mez Két bevezet példa: ) Osztozkodási probléma (494, helyes megoldás több, mit évvel kés bb, Pascal, Fermat): Két játékos fej-írás
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)
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
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
RészletesebbenInnen. 2. Az. s n = 1 + q + q 2 + + q n 1 = 1 qn. és q n 0 akkor és csak akkor, ha q < 1. a a n végtelen sor konvergenciáján nem változtat az, ha
. Végtele sorok. Bevezetés és defiíciók Bevezetéskét próbáljuk meg az 4... végtele összegek értelmet adi. Mivel végtele sokszor em tuduk összeadi, emiatt csak az első tagot adjuk össze: legye s = 4 8 =,
RészletesebbenKalkulus gyakorlat - Megoldásvázlatok
Kalkulus gyakorlat - Megoldásvázlatok Fizika BSc I/. gyakorlat. Tétel Newto Leibiz. Ha f folytoos az a, b] itervallumo és F primitív függvéye f-ek, akkor b a f F b F a.. Számítsuk ki az alábbi racioális
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
Részletesebben8.1. A rezgések szétcsatolása harmonikus közelítésben. Normálrezgések. = =q n és legyen itt a potenciál nulla. q i j. szimmetrikus. q k.
8. KIS REZGÉSEK STABIL EGYENSÚLYI HELYZET KÖRÜL 8.. A rezgések szétcsatolása harmoikus közelítésbe. Normálrezgések Egyesúlyi helyzet: olya helyzet, amelybe belehelyezve a redszert (ulla kezdősebességgel),
RészletesebbenValószínűségszámítás alapjai szemléletesen
### walszam07-jav-80.doc, ### 08.0.3., :00' http://math.ui-pao.hu/~szalkai/walszam07.pdf Valószíűségszámítás alapjai szemléletese /Kézirat, 08-0-3. / dr.szalkai Istvá Pao Egyetem, Veszprém Matematika Taszék
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
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
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
RészletesebbenPályázat címe: Pályázati azonosító: Kedvezményezett: Szegedi Tudományegyetem Cím: 6720 Szeged, Dugonics tér 13. www.u-szeged.hu www.palyazat.gov.
Pályázat címe: Új geerációs sorttudomáyi kézés és tartalomfejlesztés, hazai és emzetközi hálózatfejlesztés és társadalmasítás a Szegedi Tudomáyegyeteme Pályázati azoosító: TÁMOP-4...E-5//KONV-05-000 Sortstatisztika
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
Részletesebben(d) x 6 3x 2 2 = 0, (e) x + x 2 = 1 x, (f) 2x x 1 = 8, 2(x 1) a 1
. Bevezető. Oldja meg az alábbi egyeleteket: (a cos x + si x + cos x si x = (b π si x = x π 4 x 3π 4 cos x (c cos x + si x = si x (d x 6 3x = 0 (e x + x = x (f x + 5 + x = 8 (g x + + x + + x + x + =..
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)
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
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),
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
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
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.
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.
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
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
RészletesebbenJátékszabályok. a keresett valószín ség:
Játékszabályok Az óráko részt kell vei, maximum -szor lehet hiáyozi. Aki többször hiáyzik, em kap gyakjegyet. + x potot lehet szerezi a félév sorá: pot:. ZH a félév közepé pot:. ZH a félév végé x pot:
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
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
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
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:
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),
Részletesebben