Matematikai statisztika gyakorlat Programtervez informatikus alapszak, A szakirány 2018/2019 tavaszi félév
|
|
- Réka Budai
- 6 évvel ezelőtt
- Látták:
Átírás
1 Matematikai statisztika gyakorlat Programtervez informatikus alapszak, A szakirány 208/209 tavaszi félév Játékszabályok Az el adás és a gyakorlat számonkérése közös. Az el adásról és a hozzá tartozó konzultációról további információkat Arató Miklóstól lehet szerezni. A gyakorlatokról maximum 3-szor lehet hiányozni. Aki többször hiányzik, nem kaphat jegyet. 86 pontot lehet szerezni a félév során: 2 50 pont: 90 perces "nagy" ZH-k: március 26. és május 4., 8:30-0:00 É 0.79 Jánossy Lajos terem 3 2 pont: 5 perces röpzh-k: március 2., április 6. és május 7., 9:00-9:5 É 0.79 Jánossy Lajos terem 50 pont: önálló beadandó feladat Mindkét "nagy" ZH-n minimálisan el kell érni 5 pontot. Az egyik "nagy" ZH pontszámán lehet javítani. A ZH-k az el adások és a gyakorlatok tananyagát egyaránt számon kérik. A beadandóról: önálló statisztikai elemzés; legalább 20 pontot el kell érni; március 4-ig mindenki választ magának egy megfelel adatbázist; beadási határid : május 20.; ha el bb beküldöd, az oktató visszajelzése (pár nap) alapján javíthatsz az elemzésen és a végs határid ig újra beadhatod. Infók a gyakvezet r l Név Varga László, óraadó Munkahely Morgan Stanley, Risk Management Tanszék Valószín ségelméleti és Statisztika Tanszék (ELTE TTK) vargal4@cs.elte.hu Honlap vargal4.elte.hu Kötelez irodalom az el adás anyaga: a gyakorlaton megoldott feladatok Ajánlott irodalom Molnárné-Tóthné: Általános statisztika példatár I. Móri-Szeidl-Zempléni: Matematikai statisztikai feladatok Az órán használt szoftver/programnyelv: R Statisztikai modellezésre, data science-re kiváló Nyílt forráskódú, minden fontos problémára van library/package Letöltési helye: Szövegszerkesztésre ajánlott szoftver: RStudio; letöltési helye: A 20. évi népszámlálás alapján a év közötti népesség nemek szerinti megoszlása (Forrás: Nem Népesség száma (f ) Fér N Összesen a.) Add meg a táblázat adataiból számítható viszonyszámokat! b.) A 206-os Mikrocenzus szerint Magyarország népessége f. Számítsd ki a néps r séget! Ez milyen viszonyszám? 2.) Az euró eladási árfolyamának alakulása az K&H Banknál a következ volt: Id pont Árfolyam (Ft/euró) 208. február 8. 38, február ,80 Adj meg és értelmezz a táblázat adataiból számítható dinamikus viszonyszámot! 3.) Egy termel vállalatnál a zikai munkát végz k összesen 8000 db alkatrészt állítottak el, amib l a n k teljesítménye 8500 db volt. A vállalatnak 950 fér zikai dolgozója van. A n knél a termelékenység, azaz az egy f re jutó termelt mennyiség 7 db/f. a.) Milyen viszonyszám található a feladat szövegében és hogyan számoljuk? b.) Szerkessz statisztikai táblát az adatokból és töltsd ki a hiányzó rubrikákat! 4.) Néhány információ az ELTE matematika alapszakjára 206-ban jelentkez kr l: az állami nanszírozásos képzésre 348-an jelentkeztek, 36,494%-uk els helyen jelentkezett, végül 0-et vettek fel. A költségtérítéses képzési formára jelentkez k 0,227%-át, 9 f t vették fel. Összesen 4 ember jelölte be az ELTE matematika szakát els helyen. a.) Milyen viszonyszám(ok) található(k) a feladat szövegében? b.) Szerkessz statisztikai táblát az adatokból és töltsd ki a hiányzó rubrikákat! 5.) Egy vállalat négy részleggel rendelkezik, az ott dolgozók bruttó zetésér l az alábbi adatok állnak rendelkezésünkre: Részleg Átlagkereset (e Ft/f ) Dolgozók létszáma (f ) Raktár Összeszerel Tampóm hely Irodaház Összesen......
2 a.) Milyen viszonyszám található a táblázatban és hogyan számoljuk? b.) Számítsd ki a hiányzó pontozott értékeket! 6.) Egy szálloda 206-os vendégforgalmáról az alábbiakat ismerjük: Származási Vendégéjszakák Egy vendégéjszakára Egy vendégre jutó ország szerint száma jutó szállás díja vendégéjszakák száma a vendég (éj) (Ft/éj) (éj/f ) Belföldi Külföldi Összesen Határozd meg a teljes hotelre vonatkozóan az egy vendégéjszakára jutó szállás díjat és az egy vendégre jutó vendégéjszakák számát! 7.) Magyarország népességér l az alábbiakat ismerjük: Település jellege Népesség megoszlása Népesség változása 202-ben (%) 990-r l 202-re (%) Budapest 7,4-4,4 Többi város 5,9-2,4 Községek 30,7-0,8 Összesen 00,0... a.) 990 és 202 között évente átlagosan mennyivel változott a budapesti lakosság? b.) Hány százalékkal változott a népesség száma 990-r l 202-re? c.) Melyik településen él k részaránya csökkent? 8.) Egy szabályos dobókockával 4-szer dobtunk és a következ ket kaptuk:, 3, 6,. a.) Számold ki a mintaátlagot, tapasztalati szórást és korrigált tapasztalati szórást, a szórási együtthatót (a korrigált szórást használva), valamint a második tapasztalati momentumot! b.) Számítsd ki és rajzold fel a tapasztalati eloszlásfüggvényt! Mennyi a tapasztalati eloszlásfüggvény értéke a 2, 3, 4 helyeken? c.) Mi a kockadobás elméleti eloszlásfüggvénye? Ábrázold ezt a függvényt! d.) A floor(runif(00, min =, max = 7)) utasítással generálj 00 kockadobást és ábrázold a tapasztalati eloszlásfüggvényét! Mit tapasztalsz? e.) Tekintsük a kockadobás értékek 00-zal való eltolását: 0, 03, 06, 0. Mennyi lesz most a mintaátlag és a tapasztalati szórás? f.) Az a.)-pontbeli adatokat szorozzuk meg 3-mal: 3; 9; 0; 3. Hogyan változik ekkor a mintaátlag és a tapasztalati szórás? 9.) Egy csoportban a hallgatók magassága (cm): a.) Nézzük át nagy vonalakban az adatokat, reálisak-e! Próbáljuk javítani az esetleges adathibákat! b.) Határozd meg a rendezett mintát! c.) Rajzold fel a tapasztalati eloszlásfüggvényt! Mennyi a tapasztalati eloszlásfüggvény értéke a 80 helyen? Értelmezd szövegesen! d.) Elemezd a hallgatók testmagasságát alapstatisztikák: átlag, korrigált tapasztalati szórás, szórási együttható, kvartilisek, terjedelem, interkvartilis terjedelem, tapasztalati ferdeség, tapasztalati csúcsosság segítségével! Értelmezd szövegesen az eredményeket! e.) Készíts boxplot ábrát! f.) Készíts alkalmas osztályközös gyakorisági sort, majd abból hisztogramot! 0.) Elemezd az alábbi adatokat az el z feladat elemzési szempontjai alapján: a.) A honlapomon található Nyarhom.Rdata nev fájl a 204. nyári napi maximum-h mérsékleteket tartalmazza egy településen ( C) b.) Minta futási id kb l: mérd meg 000 alkalommal, hogy az R milyen gyorsan generál és rendez egy 0 4 elem standard normális mintát! Javasolt a microbenchmark package használata a futási id mérésére. A mintából készíts hisztogramokat különböz sávszélesség esetén! Melyiket tartod a "legjobbnak"?.) Legyen adat=c(2,0,,0,8,3,5,7,8,2,3,5,,7,8,3,5,3,2,8). Mit számol az alábbi R program? a.) sum(adat<3) b.) names(table(adat))[table(adat)==max(table(adat))] c.) sd(adat)== sqrt(sum((adat-mean(adat)) 2)/(length(adat))) TRUE vagy FALSE? Amennyiben hamis az állítás, hogyan lehet igazzá tenni? d.) rep=rep(c("a","b"),c(0,0)) df = cbind(as.data.frame(adat),as.data.frame(rep)) library(ggplot2) ggplot(df, aes(x = rep, y = adat)) + geom_boxplot(fill = "gold") + scale_x_discrete(name = "A és B csoport") 2.) Határozzuk meg a mintateret a következ esetekben: a.) Egy dobókocka háromszori feldobása. b.) Egy diák felkelési id pontjait jegyzik fel 20 napon keresztül. c.) Három pénzérmét n-szer dobunk fel. 3.) Legyen X,..., X n független, azonos, abszolút folytonos eloszlású minta, a mintaelemek eloszlásfüggvényét jelölje F (x), a s r ségfüggvényét pedig f(x). Mutasd meg, hogy a minimum és a maximum s r ségfüggvénye a következ : f X (x) = n f(x) ( F (x)) n és f X n (x) = n f(x) (F (x)) n. 4.) Adjunk torzítatlan becslést at E(0, ϑ) eloszlás ismeretlen ϑ > 0 paraméterére T (X) = X T 2 (X) = X n T 3 (X) = X statisztikák segítségével. Hasonlítsuk ket össze hatásosság szempontjából! 5.) Próbáljuk R-ben meghatározni az el z feladat becsléseit! Generáljunk
3 szer 6 elem [0, 3] intervallumon egyenletes eloszlású mintát! Hasonlítsuk össze a becsléseket! 6.) Legyen X,..., X n i.i.d. Exp(λ), λ > 0 eloszlásból. Torzítatlan becslése az ismeretlen λ paraméternek a T (X) = n X... X statisztika? n Útmutatás: az integrál kiszámolásához használjuk az Euler-féle gamma-függvényt: Γ(z) = x z e x dx 0 7.) 0-szer választunk egy gép gyártmányai közül. Mindegyik gyártmányról megállapítjuk, hogy selejtes vagy sem. Minket a gépr l kikerül gyártmányok selejtaránya érdekel, amit nem ismerünk. Modellezzük a problémát a következ képp: legyen X,..., X 0 i.i.d. minta indikátor eloszlásból, ami azt mutatja meg, hogy az egyes gyártmányok selejtesek-e vagy nem. Az X = azt az eseményt jelentse, hogy az. gyártmány selejtes, ennek ismeretlen valószín ségét pedig jelölje p. a.) Határozd meg a mintateret és a paraméterteret! b.) A T (X) = 0 (X X 0 ) statisztika torzítatlanul becsüli a p paramétert? c.) Keressünk elégséges statisztikát! 8.) Torzítatlan-e a tapasztalati közép reciproka az exponenciális eloszlás paraméterére? Ha nem, hogyan lehet torzítatlanná tenni? 9.) Keressünk elégséges statisztikát a következ eloszláscsaládokból vett n elem minta esetén, és ahol tudjuk, írjuk fel a kapott elégséges statisztika eloszlását is. a.) Bin(r, p), r egész ismert, 0 < p < paraméter, b.) Geo(p), 0 < p < paraméter, c.) diszkrét egyenletes az {, 2,..., N} halmazon, N egész paraméter, d.) E( ϑ, ϑ), ϑ > 0 paraméter, e.) E(ϑ, 2ϑ), ϑ > 0 paraméter. 20.) Legyen X,..., X n i.i.d. minta Poi(λ), λ > 0 eloszlásból. a.) Adjunk hatásos becslést a g(λ) = e λ mennyiségre! b.) Milyen más becsléseket alkalmaznál még? c.) Szimuláljunk különböz elemszámú és paraméter Poisson-mintákat, majd vizsgáljuk meg az egyes becslések viselkedését! d.) Alkalmazd ezt a hatásos becslést a vízi halálos balesetek számára, forrás: http: // 2.) Legyen X,..., X n i.i.d. Exp(λ), λ > 0 eloszlásból. a.) Adjunk blackwellizálással jó min ség torzítatlan becslést a g(λ) = e cλ mennyiségre (c > 0 konstans)! b.) Generáljunk R-ben paraméter 0 elem exponenciális mintákat és próbáljuk megbecsülni a fenti mennyiségeket c = 0, 5; ; 2; 3; 4-re. Mekkorák lesznek a hibák? 22.) Tekintsünk egy n elem i.i.d. Poisson eloszlású mintát. a.) Adjunk maximum likelihood becslést az ismeretlen paraméterre! b.) Tegyük fel, hogy a i_ods00.html linken található közúti baleseti halálesetek száma Poissoneloszlást követ. Adjunk becslést az eloszlás paraméterére! c.) Megfelel nek tartod ezt az eljárást? Tegyük fel, hogy az i-edik év Poisson paramétere µρ i 990 (tehát a mintaelemek nem azonos eloszlásúak). Becsüld meg µ-t és ρ-t maximum likelihood módszerrel! d.) Próbálkozz más modellekkel is! 23.) Tekintsünk egy n elem i.i.d. geometriai eloszlású mintát. a.) Adjunk maximum likelihood becslést az ismeretlen paraméterre! b.) Generálj R-ben 0.0 paraméter 200 elem geometriai eloszlású mintákat! Mit lehet mondani a fenti becslés viselkedésér l? 24.) Legyenek (X,..., X n, Y,..., Y m ) független, nem egyforma paraméter normális eloszlású minták. A mintákat nem tudjuk meggyelni, csak az ɛ ij = I(X i < Y j ), i =,..., n, j =,..., m indikátor változókat. Hogyan lehetne az eredeti X, Y változók paramétereit becsülni? 25.) A Lognormal_Distribution_Examples címen meghibásodási id ket talál. Ezeket gyakran lognormális eloszlással közelítik. a.) Adjunk a paraméterekre maximum likelihood becslést! b.) Becsüljük a paramétereket momentum módszerrel is! c.) Adjunk becslést annak a valószín ségére, hogy az els 700 órában nem történik meghibásodás! 26.) A le-ban a Settenked Sáskák Biztosító 83 db felel sségbiztosítási kárát láthatjuk millió forintban. A biztosító az ilyen típusú károkat Pareto-eloszlással modellezi. αβ A Pareto-eloszlás s r ségfüggvénye α (β+x) I(x > 0). α+ a.) Adjunk maximum likelihood becslést az α paraméterre, ha β = 2.5! b.) Adjuk meg α momentum módszeres becslését és vessük össze az ML-becsléssel! c.) Határozzuk meg az el z becsléseket, ha egyik paraméter sem ismert! 27.) A RData címen 90 postagalamb visszaérkezési id pontját (napban számolva) találjuk meg. Tegyük fel, hogy a visszaérkezési id pontok exponenciális eloszlást követnek. a.) Határozzuk meg a paraméter maximum likelihood becslését! Mivel kellene ezt szorozni, hogy torzítatlan becslést kapjunk? b.) Bizonyítsuk be, hogy az így kapott becslés hatásos! c.) Határozzuk meg a Fisher-féle információmennyiséget! d.) Határozzuk meg az információs határt, ha a paramétert becsüljük! e.) Határozzuk meg az információs határt, ha a paraméter reciprokát becsüljük! f.) Generáljunk 000-szer 2 paraméter 90 elem mintát. Hasonlítsuk össze a 3
4 kapott négyzetes hibákat az információs határokkal! 28.) Legyen X..., X n i.i.d. minta E(0, ϑ) eloszlásból. a.) Határozd meg a paraméter maximum likelihood becslését! Mivel kellene ezt szorozni, hogy torzítatlan becslést kapjunk? b.) Határozd meg a Fisher-féle információmennyiséget! c.) Határozd meg az információs határt, ha a paramétert becsüljük! d.) Határozd meg az információs határt, ha a paraméter négyzetét becsüljük! e.) 000-szer generálj 0 paraméter 00 elem mintát. Hasonlítsd össze a kapott négyzetes hibákat az információs határokkal! 29.) Legyen X,..., X n N(m, σ 2 ) i.i.d. minta, σ ismert, m ismeretlen. Adjunk m-re α megbízhatóságú szimmetrikus kondenciaintervallumot! 30.) Tekintsük a 9. feladatban szerepl hallgatói magasságokat, amikr l tegyük fel, hogy normális eloszlást követnek. a.) Adjunk 95%-os megbízhatóságú kondenciaintervallumot a hallgatók magasságának várható értékére, ha a magasságok szórása 0 cm! b.) Hány elem mintára van szükség, ha azt szeretnénk, hogy a kondenciaintervallum legfeljebb 8 cm hosszúságú legyen? c.) Adjunk 95%-os megbízhatóságú kondenciaintervallumot a hallgatók magasságának várható értékére és szórására, ha a magasság szórása ismeretlen! 3.) Tekintsük a 27. feladatban szerepl postagalambos mintát, amir l tegyük fel, hogy elemei függetlenek és exponenciális eloszlásúak. a.) Adjunk az ismeretlen paraméterre aszimptotikus intervallumbecslést a centrális határeloszlás-tétel segítségével! b.) Adjunk pont- és intervallumbecslést annak a valószín ségére, hogy egy tubicának 2 óránál kevesebb id re van szüksége a visszaérkezéshez! Hasonlítsuk össze a naiv pontbecsléssel (relatív gyakoriság)! 32.) Tekintsük a 9. feladatban szerepl hallgatói magasságokat, amikr l tegyük fel, hogy függetlenek és a f ϑ (x) = 2x 3ϑ I(ϑ < x < 2ϑ) s r ségfüggvény eloszlásból 2 származnak, ahol ϑ > 0 ismeretlen valós paraméter. a.) Adjunk 95%-os megbízhatóságú kondenciaintervallumot ϑ-ra! Induljunk ki a ϑ ML-becsléséb l, majd próbáljunk meg egy alkalmas transzformációval pivotal statisztikát el állítani, ennek segítségével pedig adjuk meg a legsz kebb, az ML-becslést tartalmazó kondenciaintervallumot! b.) Adjunk pont- és intervallumbecslést annak a valószín ségére, hogy egy hallgató magasabb 90 cm-nél. Vessük össze a relatív gyakorisággal! 33.) A butitizmus betegségnél a vér kitamin tartalma (ezrelékben) jól közelíthet N(20; 4) eloszlással. A butitizmusban nem szenved knél ez az eloszlás N(8; ). Az orvost felkeresi egy beteg, az a feladatunk, hogy döntést hozzunk: butitizmusban szenved-e, avagy sem. a.) Határozzunk meg egy 5%-os els fajú hibavalószín ség próbát elem minta esetén! b.) Határozzuk meg ennek a próbának a másodfajú hibavalószín ségét! c.) Végezzünk 00 kísérletet butitista betegekkel! Hányszor döntünk helyesen? d.) Végezzünk 00 kísérletet butitizmusban nem szenved kkel! Hányszor döntünk helyesen? e.) Oldjuk meg úgy a feladatot, hogy n elem minta alapján szeretnénk dönteni! 34.) 5-elem E(0, ϑ) független mintánk van. A nullhipotézis H 0 : 0 < ϑ 0, az ellenhipotézis pedig H : ϑ > 0. Próbánk a következ : H 0 mellett döntünk, ha a legnagyobb meggyelésünk kisebb 9-nél, különben az ellenhipotézist választjuk. a.) Határozzuk meg a próba terjedelmét! b.) Rajzoljuk fel a próba er függvényét! c.) 000-szer generáljuk le a kísérletet ϑ = 9.8 és ϑ = esetén. Mit tapasztalunk? 35.) 24 emberen végeznek emberkísérletet. 3 korsó sört kell meginniuk. 2 korsó Kukutyini APA sört és egy korsó Rézfalvai IPA sört. Mindenkinek rá kell mutatnia az eltér sörre. Jelölje p annak a valószín ségét, hogy egy kísérleti alany a Rézfalvai APA sört választja ki. A nullhipotézis szerint a sörök megkülönbözhetetlenek, azaz H 0 : p = 3, míg az ellenhipotézis szerint megkülönböztethet k, tehát H : p > 3. Próbánk a következ : elutasítjuk H 0-t, ha legalább y c kísérleti alany helyesen választotta ki a Rézfalvai IPA sört. a.) Rajzoljuk fel a helyesen válaszolók eloszlását p = 3 és p = 0.5 esetén! b.) Határozzuk meg a próba els fajú hibavalószín ségét y c = 2 és y c = 3 esetén! c.) Rajzoljuk fel a próba er függvényét a fenti paramétereknél! d.) 000-szer generáljuk le a kísérletet p = 3 és p = 0.5 esetén. Mit tapasztalunk? 36.) Bublisztánban az ÖDSZ párt vezet ségi tagjainak havi keresete (millió bublikban) jól közelíthet N(µ, 2 2 ) eloszlással. A többi lakosnál a kereset N(µ 2, 4 2 ) eloszlással közelíthet. Rita Tora oknyomozó újságíró kiderítette néhány, a Nagy vezér stadionban szurkoló ember keresetét: VIP páholyban ül k Normál sorban ül k a.) Amennyiben a VIP páholyban csak az ÖDSZ párt vezet ségi tagjai ülnek, akkor 5%-os els fajú hibavalószín ség mellett el tudjuk fogadni a H 0 : µ = 20 hipotézist kétoldali ellenhipotézissel szemben / értelmes egyoldali ellenhipotézissel szemben? b.) Tekintsük a normál sorban ül ket. 5%-os els fajú hibavalószín ség mellett el tudjuk fogadni a H 0 : µ 2 = 8 hipotézist a kétoldali ellenhipotézissel szemben? c.) Mennyi a p-érték az el z részfeladatnál? 4
5 d.) El tudjuk fogadni a H 0 : µ = µ 2 hipotézist? 37.) A fogyasztóvédelmi hatóság többszöri lakossági bejelentést kapott, hogy a Portokall nev, fél literes kiszerelés narancsitalokban a akonra írt 500 ml-nél jóval kevesebb üdít van. Ez alapján vizsgálatot kezdtek, a fogyasztóvédelem munkatársa vásárolt a boltban 0 darabot, majd megnézte a benne lév édes ned térfogatát (ml): 483, 502, 498, 496, 502, 483, 494, 49, 505, 486. Tegyük fel, hogy egy fél literes üdít s üvegbe töltött narancslé mennyisége normális eloszlást követ. Állíthatjuk-e 95%-os megbízhatóság esetén, hogy a Portokall gyártója át akarja verni a vev ket? 38.) Bálint gazdának 66 tehene van, teheneit reggel kitereli nagy birtokára, és egész nap ott legelésznek. Este összefut a helyi kocsmában a szomszéd gazdálkodóval, Máté gazdával, aki elmeséli, a tehenei tejének tejzsírszázaléka jelent sen megn tt, mióta szilázzsal is eteti ket minden nap. Ezen felbuzdulva, Bálint gazda úgy dönt, hogy 6 kedvenc tehenén kipróbálja ezt a "diétát" egy hónapon keresztül szilázzsal is etette ket, majd megnézte a tejük tejzsírszázalékát: Mit ettek Julcsa Bogár Riska Csendes Bimbó Mula Csak füvet 3,84 3,79 3,78 4,00 3,83 3,84 Szilázst is 3,90 4,05 3,8 4,0 3,8 3,9 Vizsgáljuk meg alkalmas statisztikai próbával, hogy a szilázs növeli-e a tej tejzsírszázalékát! 5
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
Leíró és matematikai statisztika gyakorlat Matematikai elemz szakirány 2016/2017 tavaszi félév
Leíró és matematikai statisztika gyakorlat Matematikai elemz szakirány 06/07 tavaszi félév Játékszabályok A gyakorlatokról maximum 3-szor lehet hiányozni. Aki többször hiányzik, nem kap gyakjegyet. 00
2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
Matematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
Leíró és matematikai statisztika gyakorlat Matematikai elemz szakirány 2015/2016 tavaszi félév
Leíró és matematikai statisztika gyakorlat Matematikai elemz szakirány 205/206 tavaszi félév Játékszabályok A gyakorlatokról maximum 3-szor lehet hiányozni. Aki többször hiányzik, nem kap gyakjegyet. 00
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
földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
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
Véletlen 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
Statisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
Abszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
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
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
Nagy 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
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
FEGYVERNEKI 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
Valószín ségszámítás és statisztika Gyakorlat (Statisztika alapjai)
Gyakorlat (Statisztika alapjai) 2018. december 2. Statisztika alapjai 1 A mérnökinformatikus hallgatók zárthelyi dolgozatot írtak, ahol a maximális pontszám 50 pont volt. Véletlenszer en megnéztük 5 hallgató
egyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
Matematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
Valószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés
Valószín ségszámítás és statisztika gyakorlat Programtervez informatikus szak, esti képzés Játékszabályok 0 + x pontot lehet szerezni a félév során: 50 pont:. ZH a félév közepén 50 pont:. ZH a félév végén
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 -
A Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
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
x, 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.
Matematikai 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
1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
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
1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt
1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó
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
STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
FEGYVERNEKI 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,
Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat
Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat 7. lecke Paraméter becslés Konfidencia intervallum Hipotézis vizsgálat feladata Paraméter becslés és konfidencia
e (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:
KÖVETKEZTETŐ 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
Folyadékszcintillációs spektroszkópia jegyz könyv
Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés
STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
Biometria gyakorló feladatok BsC hallgatók számára
Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90
A 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:
Dr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
Alkalmazott statisztika feladatok
Alkalmazott statisztika feladatok 1. Leíró statisztikák és grakonok 1.1. a. Olvassuk be a Davis adatsort a car vagy a cardata csomagból! Ábrázoljuk a weight változó boxplotját, majd értelmezzük az outlier
[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
Nemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
Normális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
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
Matematikai statisztika feladatsor
Matematikai statisztika feladatsor Nagy-György Judit A feladatsor Bolla Marianna és Krámli András Statisztikai következtetések elmélete cím könyvének [1] elméletére épül, a fejezetek számozása és a jelölések
Valószín ségszámítás és statisztika gyakorlat programtervez informatikus szak
Valószín ségszámítás és statisztika gyakorlat programtervez informatikus szak Játékszabályok Az órákon részt kell venni, maximum 3-szor lehet hiányozni. Aki többször hiányzik, nem kap gyakjegyet. 00 +
Segítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
Valószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
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
Valószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
Biomatematika 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)
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
A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:
A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,
A konfidencia intervallum képlete: x± t( α /2, df )
1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,
Valószínűségszámítás és statisztika
Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem
( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!
1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló
2. A ξ valószín ségi változó s r ségfüggvénye a következ : c f(x) =
1 Egy dobozban hat fehér golyó van Egy szabályos dobókockával dobunk, majd annyi piros golyót teszünk a dobozba, amennyit dobtunk Ezután véletlenszer en húzunk egy golyót a dobozból (a) Mi a valószín sége,
Elméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
Valószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes 2016/2017. tavaszi félév Valószín ségi vektorváltozó Deníció Az X = (X 1,..., X n ) : Ω R n függvény valószín ségi vektorváltozó,
Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
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
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
Statisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
[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.
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
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
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
Kutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
Elemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!
A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:
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,
Matematikai statisztika 4. gyakorlat, 2018/2019 II. félév
Matematikai statisztika 4. gyakorlat, 2018/2019 II. félév 2019-03-5 Feladatok: 1. (a) λ > 0 paraméterű Poisson-eloszlásból vett n elemű minta esetén adjunk hatásos becslést a g(λ) = e λ mennyiségre! e
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
TANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
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.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
A 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
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
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
Valószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
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:
STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
Kísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
Az 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
Statisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
Valószín ségszámítás és statisztika Gyakorlat (Kétmintás próbák)
Gyakorlat (Kétmintás próbák) 2018. december 4. Kétmintás u-próba 1 Adott két független minta 0.0012 szórású normális eloszlásból. Az egyik, 9 elem minta realizációjának átlaga 0.1672, a másik 16 elem é
Számítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
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
Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS
Valószínűségszámítás és Statisztika I. zh. 2014. november 10. - MEGOLDÁS 1. Kihasználva a hosszasan elhúzódó jó időt, kirándulást szeretnénk tenni az ország tíz legmagasabb csúcsa közül háromra az elkövetkezendő
A valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
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