Nemparaméteres módszerek. Krisztina Boda PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Nemparaméteres módszerek. Krisztina Boda PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet"

Átírás

1 Nemparaméteres módszerek Krsztna Boda PhD SZTE ÁOK Orvos Fzka és Orvos Informatka Intézet

2 Paraméteres próbák Paraméter: egy szám, amely a populácó eloszlását jellemz (és általában meghatározza). A normáls eloszlás paramétere :, A bnomáls eloszlás paramétere : n, p A Posson eloszlás paramétere : Krsztna Boda 2

3 Normáls eloszlások N(, 2 ) N(0,1) N(1,1) Probablty Densty Functon Probablty Dstrbuton Functon y =normal(x;0;1) p=normal(x;0;1) Probablty Densty Functon y =normal(x;1;1) Probablty Dstrbut p=normal(x Probablty Densty Functon 0.0 Probablty Dstrbuton -3 Functon y =normal(x;0;2) p=normal(x;0;2) , : parameters N(0,2 2 ) Krsztna Boda 3

4 Bnomáls eloszlások 1. A kísérletünk egy olyan eseménnyel kapcsolatos, amelynek csak 2 kmenetele van (pl. skeres, skertelen) 2. A sker valószínűsége, p, konstans kísérletről kísérletre 3. Sok kísérletet végzünk, egymástól függetlenül M a valószínűsége, hogy n számú smétlés során k számú legyen a skeres? n P P X k k p k q n k k n k ( ), 0, 1,..., n k n! n n k!( n k)!,! M(X)=np, D(X)=np(1-p)=npq Pl. Bzonyos populácóban egy bzonyos betegség előfordulása 30%. M a valószínűsége, hogy egy n=10 elemű mntában pontosan k=4 lyen beteg lesz? Krsztna Boda 4

5 Példa Pl. Bzonyos populácóban egy bzonyos betegség előfordulása 30%. M a valószínűsége, hogy egy n=10 elemű mntában pontosan k=4 lyen beteg lesz? ! 4 P( X 4) !6! Krsztna Boda 5

6 Number of Success Probablty dstrbuton Dstrbuton functon Probablty of "success" E-06 1 Összesen 1 Probablty dstrbuton Dstrbuton functon Bnomal dstrbuton n=10, p can be changfed, k=0,1,,10 Krsztna Boda 6

7 Posson eloszlás Véges dőszak, véges térrészben levő események, a mntában levő, adott tulajdonságú egyedek számának eloszlása Pl. a mkroszkóp látómezejében lévő vérsejtek száma A tér egy kválasztott részében a halak száma Adott darab süteményben a mazsolák száma A Posson eloszlás értelmezhező a bnomáls eloszlás határeseteként, ha n nagy és az np= állandó. A képletben az eloszlás várható értéke és és varancája s. k n k n k lm Pk lm ( ) n n k p q f k k! e Krsztna Boda 7

8 Példa. Egy bzonyos betegség esetén az újabb előfordulások száma havonta átlagosan 3. Feltéve, hogy az új megbetegedések száma Posson eloszlást követ, m a valószínűsége, hogy Senk se lesz beteg (0.0498) Pontosan 2 új megbetegedés lesz (0.224) Number of events Probablty Dstrbuton functon Average number of events Total Probablty Dstrbuton functon Krsztna Boda

9 Paraméteres próbák az eloszlás típusát smertnek tételezve fel, az eloszlás egyes smeretlen paraméterere tett hpotézseket ellenőrzk. Példák: Egymntás t-próba: H 0 : =c, Két mntás t-próba: H 0 : 1 = 2, feltétele: 12 = 2 2 Krsztna Boda 9

10 Nemparaméteres próbák Nem tételezk fel a paraméter megsmerhetőségét, sőt gyakran még a létezését sem. Krsztna Boda 10

11 Statsztka próbával Normaltásvzsgálat H0: a mnta normáls eloszlású populácóból származk Szgnfkáns esetben (p<), elvetjük a normaltás nullhpotézsét Nemszgnfkáns esetben (p>), elfogadjuk a normaltás nullhpotézsét(!) > shapro.test(trees$heght) Shapro-Wlk normalty test A mnta normáls eloszlásból származk data: trees$heght W = , p-value = A mnta nem normáls eloszlásból származk > shapro.test(trees$volume) Shapro-Wlk normalty test data: trees$volume W = , p-value = Krsztna Boda t11

12 Normaltásvzsgálat (folyt.) QQ-plot. A Q-Q plot, vagy quantle-quantle plot, két kvantls összehasonlításából származó pontdagram. Ha mndkét kvantls ugyanabból az eloszlából származk (pl. normáls eloszlásból), a pontok egy egyenes körül látszanak elhelyzkedn. A mnta normáls eloszlásból származk A mnta nemnormáls eloszlásból származk Krsztna Boda 12

13 Specáls nemparaméteres próbák: rangsoroláson alapuló próbák Feltétele: a változók folytonos eloszlásból származnak Akkor alkalmazhatók, ha Az eloszlás nem normáls Az eloszlás alakja nem nylvánvaló Az adatokat ordnáls skálán mérjük (alacsony-normáls-magas, elégtelen-elégséges, közepes-jó-jeles) Statsztkusok: Frank Wlcoxon ( ), H. Mann ( ) and D.R Whtney ( ) Krsztna Boda 13

14 Az adatok rangsorolása Az adatok értéke helyett csak azok nagyságrendjét használjuk. A rangsorolás menete: a legksebb az 1-es rangot kapja, majd mnden rákövetkező eggyel nagyobb rangszámot kap, a legnagyobb rangszáma n lesz. Tegyük fel, hogy a következő adatank vannak: 199, 126, 81, 68, 112, 112. Lépések. 1. Rendezzük őket nagyság szernt: 68, 81,112,112,126, Adjunk rangszámokat 1 -től n-g, folytassuk akkor s, ha maguk a számok egyenlők: 1, 2, 3, 4, 5, 6 3. Utólag korrgáljuk az egyenlő számokhoz tartozó rangszámokat, helyettesítsük az eredet rangszámokat az egyenlőkhöz tartozó rangszámok átlagával (ún. kapcsolt rangokat kapunk most a két 112-höz tartozó 3 és 4-ből lesz 3.5) 4. A kész rangsor kapcsolt rangszámokkal: 1, 2, 3.5, 3.5, 5, 6 Krsztna Boda 14

15 Rangsorolás Esetszám Rendezett adat Rang Kapcsolt rang A rangszámok összege mndg A fent formulával ellenőrzhetjük a számításankat n 1 r n( n 1) 2 Krsztna Boda 15

16 Paraméteres és nemparaméteres próbák a kísérlet elrendezésnek megfelelően Paraméteres Egy mnta, átlag vzsgálata: egymntás t-próba Két összetartozó mnta, átlagok vzsgálata: páros t-próba Két független mnta, átlagok vzsgálata: kétmntás t-próba Több független mnta, átlagok vzsgálata: egyszempontos varancaanalízs, ANOVA Nemparaméteres Egy mnta, medán vzsgálata : Wlcoxon-féle előjeles rangpróba Két összetartozó mnta, medánok vzsgálata : Wlcoxonféle előjeles rangpróba Két független mnta, medánok vzsgálata, eltolás vzsgálata : Mann-Whtney U-próba Több független mnta, medánok vzsgálata, eltolás vzsgálata : Kruskal-Walls próba Krsztna Boda 16

17 Rangsoroláson alapuló eljárások összetartozó adatokra I. Előjelpróba Nullhpotézs: a mnták ugyanabból a populácóból származnak, a különbségek medánja=0 Feltétel: a különbség-mnta folytonos eloszlású populácóból származk Krsztna Boda 17

18 Az előjelpróba Példa: 13 hallgató olvasás sebességét mérték meg egy specáls kurzus végén és egy hónappal később. Poztív előjelek száma: 6 Negatív előjelek száma: 5 Azok az esetek, ahol nncs változás, kmaradnak Ha a nullhpotézs gaz, egyforma számú poztív és negatív előjelet várunk Hallgató Pontszám Pontszám a kurzus 1 hónap Különbség Előjel végén múlva Krsztna Boda 18

19 Az előjelpróba táblázata A táblázat adott elemszám és esetén tartalmazza az elfogadás tartományt, ekkor mndkét szám beleesk az ntervallumba Poztív előjelek száma: 6 Negatív előjelek száma: 5 n=11 és =0.05 esetén az elfogadás ntervallum Mvel mnd az 5, mnd a 6 beleesk ebbe az ntervallumba, elfogadjuk a nullhpotézst és azt mondjuk, hogy az eltérés nem szgnfkáns 5%-os sznten Krsztna Boda 19

20 bnom.test(k,n), ahol k a poztív vagy a negatív különbségek száma, n a nem nulla előjelek száma R > bnom.test(6,11) Exact bnomal test data: 6 and 11 number of successes = 6, number of trals = 11, p-value = 1 alternatve hypothess: true probablty of success s not equal to percent confdence nterval: sample estmates: probablty of success > bnom.test(5,11) Exact bnomal test data: 5 and 11 number of successes = 5, number of trals = 11, p-value = 1 alternatve hypothess: true probablty of success s not equal to percent confdence nterval: sample estmates: probablty of success Krsztna Boda 20

21 Rangsoroláson alapuló eljárások összetartozó adatokra II. Wlcoxon féle előjeles rangpróba Nullhpotézs: a mnták ugyanabból a populácóból származnak, a különbségek medánja=0 Feltétel: a különbség-mnta folytonos és szmmetrkus eloszlású populácóból származk Krsztna Boda 21

22 Wlcoxon féle előjeles rangpróba Példa: 13 hallgató olvasás sebességét mérték meg egy specáls kurzus végén és egy hónappal később. A poztív előjelekhez tartozó rangszámösszeg: R + = =35 A negítív előjelekhez tartozó rangszámösszeg: R - = =31 Azok az esetek, ahol nncs változás, kmaradnak Ha a nullhpotézs gaz, a poztív és negatív előjelekhez tartozó rangszámösszeg hasonló. Hallgató Pontszám Pontszám kurzus 1 hónap Különbség Rangszám előjeltől végén múlva függetlenül Krsztna Boda 22

23 Az előjeles rangszámpróba táblázata A táblázat adott elemszám és esetén tartalmazza az elfogadás tartományt A poztív előjelekhez tartozó rangszámösszeg: R + =35 A negatív előjelekhez tartozó rangszámösszeg : R - =31 n=11 és =0.05 esetén ez az nttervallum Mvel mndkét rangszámösszeg beleesk ebbe az ntervallumba, elfogadjuk a nullhpotézst és azt mondjuk, hogy az eltérés nem szgnfkáns 5%-os sznten. Elvleg a táblázat csak akkor használható, ha nncsenek kapcsolt rangok! Krsztna Boda 23

24 Nagy elemszám esete A táblázatok csak ks elemszámokra tartalmazzák az elfogadás ntervallumokat. Nagy elemszám esetén kszámítható egy közelítően normáls eloszlást követő (z) statsztka. Számítógépes szoftverek általában ezt alkalmazzák z R n( n 1) / 4 ( n( n 1)(2n 1) / 24) ~ N(0,1) Folytonosság korrekcó: a próbastatsztka számlálóját 0.5-del csökkentjük (a statsztka dszkrét, de m mégs egy folytonos eloszláshoz vszonyítjuk. Az R alapfeltevés szernt folytonosság korrekcót számol, az SPSS nem. Krsztna Boda 24

25 R wlcox.test. By default (f exact s not specfed), an exact p-value s computed f the samples contan less than 50 fnte values and there are no tes. Otherwse, a normal approxmaton s used. a > wlcox.test(pre,post, pared=true,exact=false) #folytonosság korrekcóval Wlcoxon sgned rank test wth contnuty correcton data: pre and post V = 35, p-value = alternatve hypothess: true locaton shft s not equal to 0 > wlcox.test(pre,post, pared=true,exact=false, correct=f) #folytonosság korrekcó nélkül Wlcoxon sgned rank test data: pre and post V = 35, p-value = alternatve hypothess: true locaton shft s not equal to 0 Krsztna Boda 25

26 SPSS eredmények Frequences VAR VAR00001 Negatv e Df ferences a Postve Dff erences b Tes c Total a. VAR00002 < VAR00001 b. VAR00002 > VAR00001 c. VAR00002 = VAR00001 N Test Statstcs b VAR VAR00001 Exact Sg. (2-taled) a a. Bnomal dstrbuton used. b. Sgn Test Ranks VAR VAR00001 Negatv e Ranks Postv e Ranks Tes Total a. VAR00002 < VAR00001 b. VAR00002 > VAR00001 c. VAR00002 = VAR00001 N Mean Rank Sum of Ranks 6 a b c 13 Test Statstcs b VAR VAR00001 Z a Asy mp. Sg. (2-taled).858 a. Based on postve ranks. b. Wlcoxon Sgned Ranks Test Krsztna Boda 26

27 Egy mnta esete A párosított adatokon bemutatott eljárások egy mnta esetén s lefuttathatók R-ben, lyenkor a nullhpotézs az, hogy a populácó medánja adott konstans Krsztna Boda 27

28 Két független csoport összehasonlítása: Mann-Whtney U próba Feltétele: a változók eloszlása folytonos, sűrűségfüggvények azonos alakúak (eltolással egymásba átvhetők) Nullhpotézs: a mnták ugyanazon populácóból származnak (az eltolás=0) Nem teknthető a t-próba nemparaméteres megfelelőjének, különösen akkor, ha a varancák különbözők! (Ekkor: közel normáls eloszlás esetén a Welch próba, vagy ennek hányában Brunner-Munzel próba vagy bootstrap Mann-Whtney próba alkalmazható (nem tárgyaljuk)) Krsztna Boda 28

29 Mntapélda (hpotetkus adatok) Testsúlyváltozásokat hasonlítunk össze egy specáls détát követő csoportban és a kontrollcsoportban. Nullhpotézs: a déta nem hatásos, mndkét csoport ugyanabból a populácóból származó véletlen mnta. A két csoport adatat egyesítve sorba rendezzük, majd csoportonként képezzük a rangszámösszegeket. Ha gaz a nullhpotézs, a két rangszámösszeg hasonló lesz. Krsztna Boda 29

30 Patent Change n body weght (kg) Group Rank Rank corrected for tes Det Det Det Det Det Det Det Det Det Det Sum of ranks, R Control Control Control Control Control Control Control Control Control Control Control Sum of ranks R 2 91 Krsztna Boda 30

31 A Mann-Whtney U próba táblázata (részlet) Krsztna Boda 31

32 Krsztna Boda 32

33 Döntés táblázat alapján Rangszámösszeg az első csoportban (n=10): R 1 =140 Rangszámösszeg a másodk csoportban(n=11): R 2 =91 T=140. n 1 =10 és n 2 =11 és =0.05 esetén az elfogadás tartomány Mvel T ezen tartományon kívül esk, elvetjük a nullhpotézst és azt mondjuk, hogy a különbség szgnfkáns 5%-os sznten. T=91. n 1 =11 és n 2 =10 és =0.05 esetén az elfogadás ntervallum Mvel T ezen tartományon kívül esk, elvetjük a nullhpotézst és azt mondjuk, hogy a különbség szgnfkáns 5%-os sznten. Krsztna Boda 33

34 Egy alternatív próbastatsztka Az U-val jelölt próbastatsztka (Mann Whtney). Jelölje a két mntát x 1,x 2,, x n és y 1,y 2,, y m. Képezzük az összes (x, y ) értékpárt. Az U statsztka azon párok száma, melyre x <y (egyenlőség esetén a párt ½-del számoljuk). Jelentése: ha véletlenszerűen kválasztunk egyegy egyedet mndkét populácóból, U/nm azon valószínűség becslése, hogy az első populácóból kválasztott érték ksebb. 1 U n1n2 n1 ( n1 1) T 2 Krsztna Boda 34

35 Nagy elemszám esete Nagy elemszám esetén a T próbastatsztka közelítően normáls eloszlású. A T próbastatsztka várható értéke és szórása alapján számolt z statsztka közelítően standard normáls eloszlást követ z ~ N(0,1) A legtöbb számítógépes szoftver ezt a formulát használja a p-érték megadásakor Krsztna Boda 35

36 Döntés a példa adatara z= A nullhpotézs teljesülése esetén a standard normáls eloszlásból az elfogadás tartomány (α=0.05) : (- z α, z α )=(-1,96 ; 1,96) A képlet alapján számolt z-statsztka a próbastatsztka: z b = az elfogadás tartományon kívül esk, ezért elvetjük a nullhpotézst és az alternatív H A mellett döntünk és azt mondjuk, hogy a különbség szgnfkáns 5%-os sznten z >z α H A t fogadjuk el (a különbség szgnfkáns 5%-os sznten közelítő p=0.033, a különbség szgnfkáns 5%-os sznten -2, 1 -z α z α 2,1 Krsztna Boda

37 R > egy=c(-1,5,3,10,6,4,0,1,6,6) > kettő=c(2,0,1,0,3,1,5,0,-2,-2,3) > wlcox.test(egy, ketto,exact=f) #alapfeltételezés folytonosság korrekcóval Wlcoxon rank sum test wth contnuty correcton data: egy and ketto W = 85, p-value = alternatve hypothess: true locaton shft s not equal to 0 > wlcox.test(egy, ketto,exact=f,correct=f) folytonosság korrekcó nélkül Wlcoxon rank sum test data: egy and ketto W = 85, p-value = alternatve hypothess: true locaton shft s not equal to 0 Megjegyzés. R-ben más a próbastatsztka számolása: W = R1 n1(n1+1)/2 = *11/2=140-55= 85; A p-érték egyezk az SPSS folytonosság korrelcó nélkül p-értékével Krsztna Boda 37

38 SPSS output Ranks VAR00001 group Total N Mean Rank Sum of Ranks Test Statstcs b Mann-Whtney U Wlcoxon W Z Asy mp. Sg. (2-taled) Exact Sg. [2*(1-taled Sg.)] a. Not corrected f or tes. VAR b. Groupng Varable: group a Aszmptotkus p-érték: p=0.033 Egzakt p-érték: p=0.036 p<0.05, a különbség szgnfkáns 5%-os sznten Krsztna Boda 38

39 Több független mnta összehasonlítása Kruskal-Walls próba H0: a k számú mnta ugyanazon populácóból származk. A H-val jelölt próbastatsztkát a rangszámösszegekből számoljuk. Ha H0 gaz, akkor H ún. 2 (kh-négyzet) eloszlást követ k-1 szabadságfokkal Példa. Egy kísérletben (Farkas és mtsa, 2003.) lokáls szkémának alávetett, zolált patkányszívben a szívfrekvenca és a QT szakasz hosszának változását vzsgálták három antartmás gyógyszer hatására. 5 Mm K+ kálum on koncentrácó esetén, 25 perccel a lokáls szkéma után a QT szakasz hosszára a 4.8. táblázatban látható értékeket kapták. Vzsgáljuk meg, hogy a 4 csoportban van-e különbség a QT szakasz átlagos hosszában! Control Qundne Ldocane Flecande mean SD Krsztna Boda 39

40 Kruskal-Walls próba a példa adatara. Eredményképpen egyetlen p- értéket kapunk. Ha nemszngfkáns a adott, sznten, a nullhpotézst elfogadjuk. Ha a nullhpotézst elvetjük, akkor tovább páronként összehasonlításokra lehet szükség. Ezek nem mnden szoftverben találhatók meg, pl. az SPSS-ben sem. A páronként hasonlításokat páronként Mann-Whtney U próbával végezzük, majd a p- értékeket korrgáljuk. QT Group Control Qundne Ldocane Flecande Total Ranks Test Statstcs a,b Ch-Square df Asy mp. Sg. N QT a. Kruskal Walls Test b. Groupng Varable: Group Mean Rank > kruskal.test(mt~csoport) Kruskal-Walls rank sum test data: mt by csoport Kruskal-Walls ch-squared = , df = 3, p-value = Krsztna Boda 40

41 Páronként hasonlítások Pár p-érték, M-W próba korrgált p-érték* *Bonferron korrekcó: korrgált p-érték=p M-W *6 (Most 6, mert 6 pár van) Krsztna Boda 41

42 Páronként hasonlítások a Kruskal- Walls próba után, R wlcox.test(mt[csoport==1],mt[csoport==2],exact=false) wlcox.test(mt[csoport==1],mt[csoport==3],exact=false) wlcox.test(mt[csoport==1],mt[csoport==4],exact=false) wlcox.test(mt[csoport==2],mt[csoport==3],exact=false) wlcox.test(mt[csoport==2],mt[csoport==4],exact=false) wlcox.test(mt[csoport==3],mt[csoport==4],exact=false) > wlcox.test(mt[csoport==2],mt[csoport==3],exact=false) Wlcoxon rank sum test wth contnuty correcton data: mt[csoport == 2] and mt[csoport == 3] W = 35.5, p-value = alternatve hypothess: true locaton shft s not equal to 0 Mann_Whtney p Korrgált, mndent mndennel Korrgált, csak a kontrollhoz Krsztna Boda 42

43 Több összetartozó mnta nemparaméteres összehasonlítása, Fredman próba Test Statstcs a N 22 Ch-Square 57,113 df 3 Asymp. Sg.,000 a. Fredman Test Id subject repeat meres > fredman.test(meres~repeat. d) Fredman rank sum testdata: meres and repeat. and d Fredman ch-squared = , df = 3, p-value = 2.431e-12 Krsztna Boda 43

44 Rangkorrelácó A Pearson féle korrelácós együtható csak olyan adatokra alkalmazható, amelyeket legalábbs ntervallum skálán mértek. Ha még hpotézs vzsgálatot s szeretnénk végezn a korrelácós együtthatóra, akkor a normaltást s fel kell tennünk. Az olyan adatokra, amelyek vagy nem normáls eloszlásúak, vagy nem ntervallum skálán mérték, egy másk mérőszám, az ún. Spearman féle rangkorrelácós együttható áll rendelkezésre. A rangkorrelácós együttható a rangszámok között Pearson korrelácós együttható, ha nncsenek kapcsolt rangok. Az így kszámított korrelácós együttható tehát szntén -1 és +1 között vesz fel értéket, és az értelmezése s ugyanaz, kvéve, hogy tt most rangszámokat, nem az eredet értékeket hasonlítjuk össze, így nema lneárs, hanem csak a monoton kapcsolatot jellemezzük. Jelentése: a változók között monoton kapcsolatot jellemz. A Pearson féle korrelácós együtthatóhoz hasonlóan a rangkorrelácóra s végezhetünk szgnfkanca vzsgálatot. Ha azt a nullhpotézst szeretnénk teszteln, hogy a rangkorrelácós együttható a populácóban = 0, akkor ugyanaz a formula alkalmazható, mnt a Pearson féle korrelácós együttható esetében Krsztna Boda 44

45 Krsztna Boda Formula a rangkorrelácó kszámítására n n s s r r s s r r R n n n n d ) ( ) ( ) )( ( n n n n n s r ) ( n n n y y x x y y x x r ) ( ) ( ) )( ( Pearson-féle korrelácós együttható Spearman korrelácós együttható n n n n n n n s s r r ) ( 1) ( 2 1 ) ( ) ( Tulajdonságok: 1 R +1 Rangszámok X-re Rangszámok Y-ra Különbség r 1 q 1 d 1 =r 1 -q 1 r 2 q 2 d 2 =r 2 -q r n q n d n =r n -q n

46 Hpotézsvzsgálat a rangkorrelácós együtthatóra H 0 :ρ=0 A populácóbel Spearman rangkorrelácós együttható nulla H A :ρ 0 A populácóbel Spearman rangkorrelácós együttható nem nulla Próbastatsztka: Szabadságfok: n-2 t R S n 2 1 R 2 S Krsztna Boda

47 Példa (X) (Y) rangszámok X Rangszámok Y d d ² 2 1,5 1 2,5-1,5 2, ,1 6,5 9-2,5 6,25 7,1 8, ,3 1,5 2 2,5-0,5 0,25 3 3, ,1 5, ,5 1 5,5 30,25 10,5 9, ,1 7, Krsztna Boda

48 R H 0 :ρ=0, H A :ρ 0 Döntés: Táblázat alapján Krsztna Boda Számítás szabadságfok=n-2=8; t tab(8;0,05) =2,306 s 6 n n d 2 n ,38 0, n 2 1 R Mvel t=2,24< t Tab (8;0,05)=2,306 H 0 t elfogadjuk p-érték alapján Mvel p=0,055 > =0,05 H 0 t elfogadjuk Tehát a két változó között nem tudunk kapcsolatot kmutatn, a rangkorrelácós együttható nem tér el 0-tól szgnfkánsan 5%-os sznten. Megjegyzés. 5% hba mellett nem tudjuk kmutatn a kapcsolatot, azonban ez nem jelent azt, hogy nncs kapcsolat. 10%-os sznten pl. már szgnfkáns a korrelácó. Enny nformácó alapján azonban 5% hba mellett éppen nem tudtuk kmutatn az esetleg meglévő kapcsolatot. t R S 2 S 0, ,62 2,246

49 Rangkorrelácó számítás R-ben > cor(suly, magassag,method="spearman") ##Spearman féle korr. [1] > cor.test(suly,magassag, method="spearman",exact=f) Spearman's rank correlaton rho data: suly and magassag S = , p-value = 2.729e-11 alternatve hypothess: true rho s not equal to 0 sample estmates: rho Krsztna Boda 49

50 Paraméteres vs. nemparaméteres módszerek Néha nehéz eldönten, mlyen próbát alkalmazzunk: nem csak ez a két féle próba létezk. Az orvos rodalomban bevett szokás, hogy valamlyen próbával ellenőrzk a normaltást, és ha az szgnfkáns, nemparaméteres próbát végeznek, egyébként paraméterest. Ezt az eljárást többen krtzálják (a nemszgnfkáns eredmény még nem jelent azt, hogy a nullhpotézs gaz, és fordítva; ugyanazon adatokon való tesztelés növel az eljárás első fajta hbáját (Rochon et al, 2012, BMC Medcal Research Methodology 12:81) Helyette a normaltás grafkus vzsgálatát javasolják vagy a normaltás korább (független) adatokon való ellenőrzését (Ugyanez vonatkozk a paraméteres kétmntás t-próba varancák azonosságára vonatkozó feltételének ellenőrzésére.) Krsztna Boda INTERREG 50

51 Paraméteres vs. nemparaméteres módszerek A paraméteres módszerek robusztusak: feltételek ksebb megsértése esetén még érvényes az eredményük A nemparaméteres próbáknak kevesebb a feltétele Ha a paraméteres próba feltétele teljesülnek, akkor ők erősebbek Krsztna Boda INTERREG 51

52 Krsztna Boda Összefoglaló kérdések és feladatok Normaltásvzsgálat grafkusan A paraméter jelentése A paraméteres próba jelentése A nemparaméteres próba jelentése Mely esetben használunk rangsoroláson alapuló próbákat? Adjunk példát rangszámok készítésére! Két összetartozó mnta összehasonlítása rangsoroláson alapuló módszerekkel Két független mnta összehasonlítása rangsoroláson alapuló módszerekkel A szgnfkanca megállapása ks és nagy elemszám esetén két mnta nemparaméteres módszerekkel való összehasonlításakor. Rangsorolja a következő adatokat: 21, 23, 24, 21, 20, 30, 25, 24, 31 A rangkorrelácós együttható jelentése, tulajdonsága, számítása A rangkorrelácós együttható szgnfkancája 52

53 Példák az orvos rodalomból Krsztna Boda INTERREG 53

54 Krsztna Boda INTERREG 54

55 Krsztna Boda INTERREG 55

56 Irodalom Reczgel Jenő, Harnos Andrea, Solymos Norbert: Bostatsztka nem statsztkusoknak. Pars Kft. Nagykovács, Vargha András: Matematka statsztka pszchológa, nyelvészet és bológa alkalmazásokkal. Pólya Kadó Budapest, Krsztna Boda 56

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.

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

Részletesebben

Hipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?

Hipotézis 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

Részletesebben

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

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

Részletesebben

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

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

Részletesebben

NEMPARAMÉTERES PRÓBÁK

NEMPARAMÉTERES 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:

Részletesebben

Variancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?

Variancia-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

Részletesebben

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak. 8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral

Részletesebben

4 2 lapultsági együttható =

4 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.

Részletesebben

Hipotézis vizsgálatok

Hipotézis vizsgálatok Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével

Részletesebben

Nemparaméteres eljárások

Nemparaméteres eljárások Nemparaméteres eljárások Bevezetés Az ntervallum vagy a hányados skálán végzett méréseknél az adatokból számolhatunk átlagot, szórásnégyzetet, szórást Fontos módszerek alapulnak ezeknek a származtatott

Részletesebben

Statisztika feladatok

Statisztika feladatok Statsztka ok Informatka Tudományok Doktor Iskola Bzonyítandó, hogy: azaz 1 Tekntsük az alább statsztkákat: Igazoljuk, hogy torzítatlan statsztkák! Melyk a leghatásosabb közöttük? (Ez az együttes eloszlásfüggvényük.)

Részletesebben

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

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November

Részletesebben

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

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

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

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

Részletesebben

Regresszió. Fő cél: jóslás Történhet:

Regresszió. 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

Részletesebben

Biostatisztika Összefoglalás

Biostatisztika Összefoglalás Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni

Részletesebben

VARIANCIAANALÍZIS (szóráselemzés, ANOVA)

VARIANCIAANALÍZIS (szóráselemzés, ANOVA) VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.

Részletesebben

ADATREDUKCIÓ I. Középértékek

ADATREDUKCIÓ 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

Részletesebben

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

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely. Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak

Részletesebben

Táblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.

Táblázatok 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

Részletesebben

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Hipotézis, 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

Részletesebben

Biostatisztika Összefoglalás

Biostatisztika Összefoglalás Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni

Részletesebben

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

[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

Részletesebben

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

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

Részletesebben

Páros binomiális próbák

Páros binomiális próbák áros nomáls próák Kontngena-tálázatok (rx tálázat) elemzése, ha sem a sor-, sem az oszlop-összegek nem rögzítettek sak N adott - Szmmetra-vzsgálat (összefüggés-vzsgálat) - Függetlenség-vzsgálat BIOMETRIA_NEMARAMÉTERES_3

Részletesebben

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Hipotézis 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

Részletesebben

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

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézis Állítás a populációról (vagy annak paraméteréről) Példák H1: p=0.5 (a pénzérme

Részletesebben

Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?

Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles

Részletesebben

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

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

Részletesebben

Korreláció és lineáris regresszió

Korreláció és lineáris regresszió Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.

Részletesebben

Dr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola

Dr. 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

Részletesebben

Matematikai statisztika

Matematikai 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

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

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

Részletesebben

ADATREDUKCIÓ I. Középértékek

ADATREDUKCIÓ 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

Részletesebben

Feltesszük, hogy a mintaelemek között nincs két azonos. ha X n a rendezett mintában az R n -ik. ha n 1 n 2

Feltesszük, hogy a mintaelemek között nincs két azonos. ha X n a rendezett mintában az R n -ik. ha n 1 n 2 Kabos: Ordinális változók Hipotézisvizsgálat-1 Minta: X 1, X 2,..., X N EVM (=egyszerű véletlen minta) X-re Feltesszük, hogy a mintaelemek között nincs két azonos. Rendezett minta: X (1), X (2),..., X

Részletesebben

Eloszlás-független módszerek 13. elıadás ( lecke)

Eloszlás-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

Részletesebben

Adatelemzés és adatbányászat MSc

Adatelemzés 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

Részletesebben

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.

Gazdaságtudományi 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

Részletesebben

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

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése 4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól

Részletesebben

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

Bevezetés 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:

Részletesebben

A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

A 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

Részletesebben

A sokaság/minta eloszlásának jellemzése

A 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,

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

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

Részletesebben

Lineáris regresszió. Statisztika I., 4. alkalom

Lineáris 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

Részletesebben

[Biomatematika 2] Orvosi biometria

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

Részletesebben

(eseményalgebra) (halmazalgebra) (kijelentéskalkulus)

(eseményalgebra) (halmazalgebra) (kijelentéskalkulus) Valószínűségszámítás Valószínűség (probablty) 0 és 1 között valós szám, amely egy esemény bekövetkezésének esélyét fejez k: 0 - (sznte) lehetetlen, 0.5 - azonos eséllyel gen vagy nem, 1 - (sznte) bztos

Részletesebben

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr.

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr. Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Regresszó-számítás. előadás Kvanttatív statsztka módszerek Dr. Varga Beatr Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Korrelácós

Részletesebben

RANGSOROLÁSON ALAPULÓ NEM-PARAMÉTERES PRÓBÁK

RANGSOROLÁSON ALAPULÓ NEM-PARAMÉTERES PRÓBÁK RANGSOROLÁSON ALAPULÓ NEM-PARAMÉTERES PRÓBÁK Sorrendbe állítjuk a vzgált értékeket (a mntaelemeket) é az aktuál érték helyett a rangzámokat haználjuk a próbatatztkák értékenek kzámítáára. Egye próbáknál

Részletesebben

Varianciaanalízis. Egytényezős kísérletek (Más néven: egyutas osztályozás, egyszempontos varianciaanalízis ANOVA)

Varianciaanalízis. 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

Részletesebben

Gyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések

Gyakorló 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

Részletesebben

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Populációbecslés 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

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

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

Részletesebben

Biomatematika 13. Varianciaanaĺızis (ANOVA)

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

Részletesebben

A m becslése. A s becslése. A (tapasztalati) szórás. n m. A minta és a populáció kapcsolata. x i átlag

A m becslése. A s becslése. A (tapasztalati) szórás. n m. A minta és a populáció kapcsolata. x i átlag 016.09.09. A m beclée A beclée = Az adatok átlago eltérée a m-től. (tapaztalat zórá) = az elemek átlago eltérée az átlagtól. átlag: az elemekhez képet középen kell elhelyezkedne. x x 0 x n x Q x x x 0

Részletesebben

Nem-paraméteres és paraméteres módszerek. Kontingencia tábla, rangtranszformálás, párosított minták, két független minta

Nem-paraméteres és paraméteres módszerek. Kontingencia tábla, rangtranszformálás, párosított minták, két független minta Nem-paraméteres és paraméteres módszerek Kontingencia tábla, rangtranszformálás, párosított minták, két független minta Az előadások célja bemutatni a hipotézis vizsgálat elveinek alkalmazását a gyakorlatban

Részletesebben

METROLÓGIA ÉS HIBASZÁMíTÁS

METROLÓGIA 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.

Részletesebben

Extrém-érték elemzés. Extrém-érték eloszlások. Megjegyzések. A normálhatóság feltétele. Extrém-érték modellezés

Extrém-érték elemzés. Extrém-érték eloszlások. Megjegyzések. A normálhatóság feltétele. Extrém-érték modellezés Extrém-érték modellezés Zemplén András Val.modellek 2018. febrár 21. Extrém-érték elemzés Klasszks módszerek: év maxmmon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

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

Részletesebben

Minősítéses mérőrendszerek képességvizsgálata

Minősítéses 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

Részletesebben

Sztochasztikus kapcsolatok

Sztochasztikus kapcsolatok Sztochasztikus kapcsolatok Petrovics Petra PhD Hallgató Ismérvek közötti kapcsolat (1) Függvényszerű az egyik ismérv szerinti hovatartozás egyértelműen meghatározza a másik ismérv szerinti hovatartozást.

Részletesebben

Kísérlettervezési alapfogalmak:

Kísérlettervezési alapfogalmak: Kísérlettervezés alapfogalmak: Tényező, faktor (factor) független változó, ható tényező (kezelés, gyógyszer, takarmány, genotípus, élőhely, stb.) amnek hatását a kísérletben vzsgáln vagy összehasonlítan

Részletesebben

Normális eloszlás paramétereire vonatkozó próbák

Normális 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

Részletesebben

Kettőnél több csoport vizsgálata. Makara B. Gábor

Kettőnél 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

Részletesebben

Teljes eseményrendszer. Valószínőségszámítás. Példák. Teljes valószínőség tétele. Példa. Bayes tétele

Teljes 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 ) +

Részletesebben

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

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari

Részletesebben

Véletlenszám generátorok. 6. előadás

Véletlenszám generátorok. 6. előadás Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

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

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Többváltozós lineáris regressziós modell feltételeinek tesztelése I. Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós

Részletesebben

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

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

Részletesebben

Kidolgozott feladatok a nemparaméteres statisztika témaköréből

Kidolgozott 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.

Részletesebben

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

Kettőnél 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

Részletesebben

Hipotézis vizsgálatok

Hipotézis vizsgálatok Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. 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

Részletesebben

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

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

Bevezetés a hipotézisvizsgálatokba

Bevezetés 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 -

Részletesebben

) ( s 2 2. ^t = (n x 1)s n (s x+s y ) x +(n y 1)s y n x+n y. +n y 2 n x. n y df = n x + n y 2. n x. s x. + s 2. df = d kritikus.

) ( s 2 2. ^t = (n x 1)s n (s x+s y ) x +(n y 1)s y n x+n y. +n y 2 n x. n y df = n x + n y 2. n x. s x. + s 2. df = d kritikus. Kétmtás t-próba ^t ȳ ( s +( s + + df + vag ha, aor ^t ȳ (s +s Welch-próba ^d ȳ s + s ( s + s df ( s ( s + d rtus t s (α, +t s (α, s + s Kofdecatervallum ét mta átlagáa ülöbségére SE s ( + s ( ±t (α,df

Részletesebben

Virág Katalin. Szegedi Tudományegyetem, Bolyai Intézet

Virág 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

Részletesebben

Hipotézisvizsgálat R-ben

Hipotézisvizsgálat R-ben Hipotézisvizsgálat R-ben 1-mintás u-próba Az elmúlt évben egy, az Antarktiszon talált királypingvinkolónia esetén a pingvinek átlagos testtömege 15.4 kg volt. Idén ugyanebből a kolóniából megmérték 35

Részletesebben

Max-stabilis folyamatok. 6. előadás, március 29. Smith (1990) konstrukciója. Példák

Max-stabilis folyamatok. 6. előadás, március 29. Smith (1990) konstrukciója. Példák Max-stabls folyamatok 6. előadás, 2017. márcus 29. Zemplén András Valószínűségelmélet és Statsztka Tanszék Természettudomány Kar Eötvös Loránd Tudományegyetem Árngadozások előadás Legyen T R d egy Borel-halmaz.

Részletesebben

Elemszám becslés. Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet

Elemszám becslés. Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet Elemszám becslés Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet Miért fontos? Gazdasági okok: Túl kevés elem esetén nem tudjuk kimutatni a kívánt hatást Túl kevés elem esetén olyan eredmény

Részletesebben

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

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

Részletesebben

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

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

Részletesebben

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pálázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomán Tanszékén az ELTE Közgazdaságtudomán Tanszék, az MTA Közgazdaságtudomán

Részletesebben

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés Etrém-érték modellezés Zemplén András Alkalmazott modl 016. febrár -9. Etrém-érték elemzés Klasszks módszerek: év mammon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ

Részletesebben

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék, az MTA Közgazdaságtudomány

Részletesebben

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 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

Részletesebben

Biostatisztika e-book Dr. Dinya Elek

Biostatisztika e-book Dr. Dinya Elek TÁMOP-4../A/-/-0-005 Egészségügy Ügyvtelszervező Szakrány: Tartalomfejlesztés és Elektronkus Tananyagfejlesztés a BSc képzés keretében Bostatsztka e-book Dr. Dnya Elek Tartalomjegyzék. Bevezetés a mátrok

Részletesebben

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Hipotézisvizsgálat 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,

Részletesebben

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

Statisztika 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

Részletesebben

Az entrópia statisztikus értelmezése

Az 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

Részletesebben

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés

Extrém-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

Részletesebben

OLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma

OLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma OLS regresszó - smétlés Mroöonometra,. hét Bíró Anó A tantárg tartalma Leggaorbb mroöonometra problémá és azo ezeléséne megsmerése Egén vag vállalat adato Keresztmetszet és panel elemzés Vállalat, pacelemzés

Részletesebben

d(f(x), f(y)) q d(x, y), ahol 0 q < 1.

d(f(x), f(y)) q d(x, y), ahol 0 q < 1. Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés

Részletesebben

STATISZTIKA III. Oktatási segédlet

STATISZTIKA III. Oktatási segédlet MISKOLCI EGYETEM Gazdaságtudomány Kar Üzlet Informácógazdálkodás és Módszertan Intézet Üzlet Statsztka és Előrejelzés Tanszék STATISZTIKA III. Oktatás segédlet 003. MISKOLCI EGYETEM Gazdaságtudomány Kar

Részletesebben

Statisztika elméleti összefoglaló

Statisztika 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

Részletesebben

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

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

Részletesebben

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag) , rangkorreláció Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu

Részletesebben

Algoritmusok és adatszerkezetek gyakorlat 09 Rendezések

Algoritmusok 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

Részletesebben

A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a

A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a a Matematika mérnököknek I. című tárgyhoz Függvények. Függvények A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a szabadon eső test sebessége az idő függvénye. Konstans hőmérsékleten

Részletesebben