Normális eloszlás paramétereire vonatkozó próbák
|
|
- Ágoston Nemes
- 5 évvel ezelőtt
- Látták:
Átírás
1 Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású eloszlásból származnak, és a minta mérete, azaz n "elég nagy", például n 100 (az átlag a centrális határeloszlástétel alapján közel normális eloszlású)
2 Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású eloszlásból származnak, és a minta mérete, azaz n "elég nagy", például n 100 (az átlag a centrális határeloszlástétel alapján közel normális eloszlású) z-próba (vagy u-próba): várható értékre vonatkozó hipotézis esetén, ha a σ szórás ismert
3 Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású eloszlásból származnak, és a minta mérete, azaz n "elég nagy", például n 100 (az átlag a centrális határeloszlástétel alapján közel normális eloszlású) z-próba (vagy u-próba): várható értékre vonatkozó hipotézis esetén, ha a σ szórás ismert t-próba (vagy Student-próba): várható értékre vonatkozó hipotézis esetén, ha a σ szórás nem ismert (csak az sn tapasztalati szórás) F -próba: szórásra vonatkozó hipotézis esetén Kapcsolat a kondenciaintervallummal: egymintás próbánál akkor fogadjuk el a nullhipotézist α terjedelem mellett, ha a benne megadott érték (várható érték vagy szórás) az 1 α megbízhatósági szint kondenciaintervallumba esik.
4 FisherBartlett-tétel Valójában az eloszlás valódi szórása a legtöbb esetben nem ismert. A σ szórást az sn korrigált tapasztalati szórással helyettesítjük. Kérdés, hogyan változik így az eloszlás. Tétel (FisherBartlett) Tegyük fel, hogy X 1, X 2,..., X n független m várható érték, σ szórású, normális eloszlású valószín ségi változók. Ekkor 1 X N ( m, σ2 n 2 X és s n függetlenek; ), azaz (X m) n/σ eloszlása standard normális; 3 (n 1)sn 2 /σ 2 eloszlása n 1 szabadsági fokú χ 2 -eloszlás; 4 (X m) n/s n eloszlása n 1 szabadsági fokú t-eloszlás. Itt sn = 1 n ) (X j X ) n 2 = n (( 1 1 n 1 n j=1 n j=1 X 2 j ) X 2 ).
5 Egymintás egyoldali z-próba (one-sample one-sided z test) A próba a normális eloszlás várható értékére vonatkozik ismert szórás mellett. Torzítatlan, konzisztens, leger sebb próba egyoldali esetben (a NeymanPearsonlemma alapján bizonyítható). X 1, X 2,..., X n N(m, σ 2 ), ahol m ismeretlen paraméter, σ > 0 ismert. Próbastatisztika (eloszlása standard normális H 0 mellett, ezt beláttuk): z = X m 0 σ n. Egyoldali ellenhipotézis (one-sided): H 0 : m m 0 ; H 1 : m > m 0. Ha z > Φ 1 (1 α), akkor elvetjük a nullhipotézist, különben elfogadjuk. A p-érték ilyenkor 1 Φ(z). p < 0, 05: a várható érték szignikánsan több m 0 -nál. p 0, 05: a várható érték nem több szignikánsan m 0 -nál.
6 Az egyoldali z-próba kritikus értéke Az α = 0, 05 terjedelm egyoldali z-próba kritikus értéke: Φ 1 (1 α) = Φ 1 (0, 95) = 1, 645.
7 Példa: egymintás egyoldali z-próba Feltételezés: a testmagasság normális eloszlású. Az európai férak átlagos testmagassága 177, 6 cm. Megmértük 90 holland fér testmagasságát, a magasságok átlaga 181,7 cm lett. A szórást 8,5 cm-nek feltételezve mondhatjuk-e, hogy a holland férak testmagassága szignikánsan több az európai átlagnál?
8 Példa: egymintás egyoldali z-próba Feltételezés: a testmagasság normális eloszlású. Az európai férak átlagos testmagassága 177, 6 cm. Megmértük 90 holland fér testmagasságát, a magasságok átlaga 181,7 cm lett. A szórást 8,5 cm-nek feltételezve mondhatjuk-e, hogy a holland férak testmagassága szignikánsan több az európai átlagnál? H 0 : m 177, 6; H 1 : m > 177, 6. z = X m 0 σ n = 181, 7 177, 6 90 = 4, 57. 8, 5 α = 0, 05 terjedelem mellett Φ 1 (1 α) = 1, 645, így z > Φ 1 (1 α). p-érték: 1 Φ(4, 57) < 0, 0001 < 0, 05. Elutasítjuk a nullhipotézist. Az adatok alapján a holland férak testmagasságának várható értéke szignikánsan több 177,6 cm-nél, vagyis az európai átlagnál.
9 Egymintás kétoldali z-próba A próba a normális eloszlás várható értékére vonatkozik ismert szórás mellett. Nem leger sebb (nincs leger sebb próba ebben a feladatban). X 1, X 2,..., X n N(m, σ 2 ), ahol m ismeretlen paraméter, σ > 0 ismert. Próbastatisztika (eloszlása standard normális H 0 mellett): z = X m 0 σ n. Kétoldali ellenhipotézis (two-sided): H 0 : m = m 0 ; H 1 : m m 0. Ha z > Φ 1 (1 α/2), akkor elvetjük a nullhipotézist, különben elfogadjuk. A p-érték ilyenkor 2 2Φ( z ). Φ a standard normális eloszlásfüggvény: Φ(t) = t 1 2π e x2 /2 dx. p < 0, 05: a várható érték szignikánsan eltér m 0 -tól. p 0, 05: nincs szignikáns eltérés m 0 -tól.
10 A kétoldali z-próba kritikus értéke Az α = 0, 05 terjedelm kétoldali z-próba kritikus értéke: Φ 1 (1 α/2) = Φ 1 (0, 975) = 1, 96.
11 Példa: egymintás z-próba Egy gyárban a min ségellen rzésnél azt feltételezik, hogy egy bizonyos típusú kalapács fejének a tömegét mérve a mérési eredmények független normális eloszlású valószín ségi változók m várható értékkel és σ = 3 gramm szórással. A termékkatalógus szerint egy adott típusú kalapács fejének 364 g tömeg nek kell lennie. A fenti eljárással megmérték 20 kalapács fejének tömegét. Az átlag 367,2 gramm lett. Ez alapján állítható-e, hogy a kalapácsok fejének tömege szigni- kánsan eltér az el írt 364 grammtól?
12 Példa: egymintás z-próba Egy gyárban a min ségellen rzésnél azt feltételezik, hogy egy bizonyos típusú kalapács fejének a tömegét mérve a mérési eredmények független normális eloszlású valószín ségi változók m várható értékkel és σ = 3 gramm szórással. A termékkatalógus szerint egy adott típusú kalapács fejének 364 g tömeg nek kell lennie. A fenti eljárással megmérték 20 kalapács fejének tömegét. Az átlag 367,2 gramm lett. Ez alapján állítható-e, hogy a kalapácsok fejének tömege szigni- kánsan eltér az el írt 364 grammtól? H 0 : m = 364; H 1 : m 364. z = X m 0 σ n = 367, = 4, α = 0, 05 terjedelem mellett Φ 1 (1 α/2) = 1, 96. p = 1, < 0, 05. z < Φ 1 (1 α/2), elutasítjuk a nullhipotézist. A kalapácsok fejének tömegének várható értéke a minta alapján szignikánsan eltér az el írt 364 grammtól.
13 t-eloszlás egyoldali kritikus értékei Az f = 9 szabadsági fokú α = 0, 05 terjedelm egyoldali t-próba kritikus értéke: t 9,0,05 = 1, 83.
14 Egymintás egyoldali t-próba (one-sample one-sided t-test) A normális eloszlás várható értékére, ismeretlen szórás esetén leger sebb próba. X 1, X 2,..., X n N(m, σ 2 ), ahol m, σ ismeretlen paraméterek. Próbastatisztika, aminek eloszlása t-eloszlás H 0 mellett a FisherBartlett-tétel szerint: t = X m 0 sn n. Egyoldali ellenhipotézis (one-sided): H 0 : m m 0 ; H 1 : m > m 0. Ha t > t n 1,α, azaz p < α, elutasítjuk a nullhipotézist; ilyenkor a várható érték szignikánsan több m 0 -nál. Ha t t n 1,α, azaz p α, elfogadjuk a nullhipotézist, a várható érték nem több szignikánsan m 0 -nál az adatok alapján. A kritikus érték: t n 1,α az f = n 1 szabadsági fokú (degree of freedom) t-eloszlás 1 α-kvantilise, vagyis az f = n 1 szabadsági fokú egyoldali t-próba kritikus értéke α terjedelem (level of signicance) mellett.
15 Egymintás t-próba, fordított irányú ellenhipotézis A normális eloszlás várható értékére vonatkozik ismeretlen szórás esetén. X 1, X 2,..., X n N(m, σ 2 ), ahol m, σ ismeretlen paraméterek. Próbastatisztika (eloszlása t-eloszlás H 0 mellett): t = X m 0 s n n. Egyoldali ellenhipotézis: H 0 : m m 0 ; H 1 : m < m 0. Ha t < t n 1,α, akkor elvetjük a nullhipotézist, különben elfogadjuk. A kritikus érték: t n 1,α az f = n 1 szabadsági fokú t-eloszlás α-kvantilise, vagyis az a szám, melyre az alábbi teljesül: ( Z 0 α = P(Y t n 1,α ) = P t n 1,α ), Z Z n 1 2 ahol Z 0, Z 1,..., Z n 1 független standard normális eloszlásúak. p < 0, 05: a várható érték szignikánsan kisebb m 0 -nál.
16 Példa: egymintás egyoldali t-próba Egy adott helyen vett tíz mintából megmértük az ivóvíz keménységét. Az alábbi eredmények adódtak (mg/l CaO): Állíthatjuk-e az adatok alapján, hogy az ivóvíz keménységének várható értéke szignikánsan meghaladja a 350 mg/l egészségügyi határértéket?
17 Példa: egymintás egyoldali t-próba Egy adott helyen vett tíz mintából megmértük az ivóvíz keménységét. Az alábbi eredmények adódtak (mg/l CaO): Állíthatjuk-e az adatok alapján, hogy az ivóvíz keménységének várható értéke szignikánsan meghaladja a 350 mg/l egészségügyi határértéket? n = 10; X = 358; s n = 10, 77 Feltételezzük, hogy a mérési eredmények normális eloszlásúak, az egymintás egyoldali t-próbát alkalmazzuk: H 0 : m 50; H 1 : m > 50. t = X m 0 s n n = = 2, , 77 Az f = n 1 = 9 szabadsági fokú egyoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett t 9;0,05 = 1, 833.
18 Példa: egymintás egyoldali t-próba Egy adott helyen vett tíz mintából megmértük az ivóvíz keménységét. Az alábbi eredmények adódtak (mg/l CaO): Állíthatjuk-e az adatok alapján, hogy az ivóvíz keménységének várható értéke szignikánsan meghaladja a 350 mg/l egészségügyi határértéket? n = 10; X = 358; s n = 10, 77 Feltételezzük, hogy a mérési eredmények normális eloszlásúak, az egymintás egyoldali t-próbát alkalmazzuk: H 0 : m 50; H 1 : m > 50. t = X m 0 s n n = = 2, , 77 Az f = n 1 = 9 szabadsági fokú egyoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett t 9;0,05 = 1, 833. Mivel t > t 9;0,05, elutasítjuk a nullhipotézist, a vízkeménység szignikánsan meghaladja 350 mg/l határértéket. A p-érték: p = 0, 0217 < 0, 05.
19 Hipotézisvizsgálat: példa az R szoftverben Tíz mintából mértük meg a víz keménységét. Nullhipotézis (null hypothesis, H 0 ): m 350 Ellenhipotézis (alternative hypothesis, H 1 ): m > 350 > viz<-c(348, 367, 349, 337, 359, 360, 363, 352, 371, 344) > t.test(viz, mu=350, alternative="greater")
20 Hipotézisvizsgálat: példa az R szoftverben Tíz mintából mértük meg a víz keménységét. Nullhipotézis (null hypothesis, H 0 ): m 350 Ellenhipotézis (alternative hypothesis, H 1 ): m > 350 > viz<-c(348, 367, 349, 337, 359, 360, 363, 352, 371, 344) > t.test(viz, mu=350, alternative="greater") One Sample t-test data: viz t = , df = 9, p-value = alternative hypothesis: true mean is greater than percent confidence interval: Inf mean of x : 358 Most p = < 0, 05 = α, elutasítjuk a nullhipotézist.
21 Egymintás kétoldali t-próba (one-sample two-sided t-test) A normális eloszlás várható értékére, ismeretlen szórás esetén. leger sebb (nincs ilyen). X 1, X 2,..., X n N(m, σ 2 ), ahol m, σ ismeretlen paraméterek. Próbastatisztika (eloszlása t-eloszlás/student-eloszlás H 0 mellett): Nem t = X m 0 s n n. Kétoldali ellenhipotézis (two-sided): H 0 : m = m 0 ; H 1 : m m 0. Ha t > t n 1,α, azaz p < α, akkor elutasítjuk a nullhipotézist, a várható érték szignikánsan eltér m 0 -tól. Ha t t n 1,α, azaz p α, akkor elfogadjuk H 0 -t, a várható érték nem tér el szignikánsan m 0 -tól. A kritikus érték: t n 1,α az f = n 1 szabadsági fokú (degree of freedom) t-eloszlás 1 α/2-kvantilise, vagyis az f = n 1 szabadsági fokú (degree of freedom) kétoldali t-próba kritikus értéke α terjedelem (level of signicance) mellett.
22 Kétoldali t-próba kritikus értékei Az f = 29 szabadsági fokú α = 0, 05 terjedelm kétoldali t-próba kritikus értéke: t 29;0,05 = 2, 04.
23 Példa: Egymintás kétoldali t-próba Egy gyógyszer hatóanyagtartalma a csomagolás szerint 10 mg. Harminc tabletta hatóanyag-tartalmát megmérve a mérések átlaga 9, 8, korrigált tapasztalati szórása 0, 62 lett. A szignikanciaszintet α = 0, 05-nek választva az adatok alapján szignikánsan eltér-e a hatóanyag-tartalom várható értéke a 10 mg-tól?
24 Példa: Egymintás kétoldali t-próba Egy gyógyszer hatóanyagtartalma a csomagolás szerint 10 mg. Harminc tabletta hatóanyag-tartalmát megmérve a mérések átlaga 9, 8, korrigált tapasztalati szórása 0, 62 lett. A szignikanciaszintet α = 0, 05-nek választva az adatok alapján szignikánsan eltér-e a hatóanyag-tartalom várható értéke a 10 mg-tól? n = 30; X = 9, 8; s n = 0, 62 Egymintás kétoldali t-próbát végezhetünk, normális eloszlást feltételezve. H 0 : m = 10; H 1 : m 10; α = 0, 05; f = n 1 = 29. t = X m 0 s n n = 9, , = 1, 77. A kritikus érték: t 29,0,05 = 2, 045 t = 1, 77 2, 045, nincs szignikáns eltérés. p-érték: p = 0, , 05.
25 Kétmintás, egyoldali, párosítatlan Student-féle t-próba A várható érték összehasonlítására azonos szórás esetén (two-sample one-sided unpaired Student t-test). X 1,..., X n1, Y 1,..., Y n2 független normális eloszlású azonos szórású valószín ségi változók: X i N(m 1, σ 2 ), Y i N(m 2, σ 2 ), ahol m 1, m 2, σ ismeretlen paraméterek. Egyoldali ellenhipotézis: H 0 : m 1 m 2 ; H 1 : m 1 > m 2.
26 Kétmintás, egyoldali, párosítatlan Student-féle t-próba A várható érték összehasonlítására azonos szórás esetén (two-sample one-sided unpaired Student t-test). X 1,..., X n1, Y 1,..., Y n2 független normális eloszlású azonos szórású valószín ségi változók: X i N(m 1, σ 2 ), Y i N(m 2, σ 2 ), ahol m 1, m 2, σ ismeretlen paraméterek. Egyoldali ellenhipotézis: H 0 : m 1 m 2 ; H 1 : m 1 > m 2. Próbastatisztika (eloszlása t-eloszlás m 1 = m 2 mellett): X Y t = (n1 1)sn 2 1 (X ) + (n 2 1)sn 2 2 (Y ) n 1 n 2 (n 1 + n 2 2). n 1 + n 2 Ha t > t n1+n2 2, 1 α, akkor elvetjük a nullhipotézist, különben elfogadjuk. A t n1+n2 2, 1 α kritikus érték az f = n 1 + n 2 2 szabadsági fokú egyoldali t-próba kritikus értéke α terjedelem mellett (a megfelel eloszlás 1 α-kvantilise). Ha p < α: elvetjük H 0 -t, az els várható érték szignikánsan nagyobb a másodiknál.
27 Kétmintás t-próba: példa Két különböz márkájú vaj tömegét mértük meg, az X típusúét tízszer, az Y típusúét nyolcszor. Az Az átlagok és korrigált tapasztalati szórások (kg-ban): X = 0, 217, s n (X ) = 0, 027, Y = 0, 203, s n (Y ) = 0, 03. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy az X típusú vajak tömege szignikánsan több az Y típusú vajénál?
28 Kétmintás t-próba: példa Két különböz márkájú vaj tömegét mértük meg, az X típusúét tízszer, az Y típusúét nyolcszor. Az Az átlagok és korrigált tapasztalati szórások (kg-ban): X = 0, 217, s n (X ) = 0, 027, Y = 0, 203, s n (Y ) = 0, 03. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy az X típusú vajak tömege szignikánsan több az Y típusú vajénál? t = Behelyettesítve: X Y (n1 1)sn 2 1 (X ) + (n 2 1)sn 2 2 (Y ) n 1 n 2 (n 1 + n 2 2). n 1 + n 2 t = 0, 217 0, , , 03 = 1,
29 Kétmintás t-próba: példa Két különböz márkájú vaj tömegét mértük meg, az X típusúét tízszer, az Y típusúét nyolcszor. Az Az átlagok és korrigált tapasztalati szórások (kg-ban): X = 0, 217, s n (X ) = 0, 027, Y = 0, 203, s n (Y ) = 0, 03. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy az X típusú vajak tömege szignikánsan több az Y típusú vajénál? H 0 : m 1 m 2, H 1 : m 1 > m 2 A próbastatisztika értéke: t = 1, 04. Az f = n 1 + n 2 2 = = 16 szabadsági fokú egyoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett: t 16,0,95 = 1, 746.
30 Kétmintás t-próba: példa Két különböz márkájú vaj tömegét mértük meg, az X típusúét tízszer, az Y típusúét nyolcszor. Az Az átlagok és korrigált tapasztalati szórások (kg-ban): X = 0, 217, s n (X ) = 0, 027, Y = 0, 203, s n (Y ) = 0, 03. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy az X típusú vajak tömege szignikánsan több az Y típusú vajénál? H 0 : m 1 m 2, H 1 : m 1 > m 2 A próbastatisztika értéke: t = 1, 04. Az f = n 1 + n 2 2 = = 16 szabadsági fokú egyoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett: t 16,0,95 = 1, 746. Itt t = 1, 04 < 1, 746 = t 16,0,95, ezért elfogadjuk H 0 -t. Az X típusú vaj tömege nem haladja meg szignikánsan az Y típusúét. p-érték: 0,149>0,05
31 Kétmintás t-próba: ugyanez a példa Excelben
32 Kétmintás t-próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások grammban számolva (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szignikánsan eltér a cukortartalom?
33 Kétmintás, kétoldali, párosítatlan Student-féle t-próba A várható érték összehasonlítására azonos szórás esetén (two-sample two-sided unpaired Student t-test). X 1,..., X n1, Y 1,..., Y n2 független normális eloszlású azonos szórású valószín ségi változók: X i N(m 1, σ 2 ), Y i N(m 2, σ 2 ), ahol m 1, m 2, σ ismeretlen paraméterek. Kétoldali ellenhipotézis: H 0 : m 1 = m 2 ; H 1 : m 1 m 2.
34 Kétmintás, kétoldali, párosítatlan Student-féle t-próba A várható érték összehasonlítására azonos szórás esetén (two-sample two-sided unpaired Student t-test). X 1,..., X n1, Y 1,..., Y n2 független normális eloszlású azonos szórású valószín ségi változók: X i N(m 1, σ 2 ), Y i N(m 2, σ 2 ), ahol m 1, m 2, σ ismeretlen paraméterek. Kétoldali ellenhipotézis: H 0 : m 1 = m 2 ; H 1 : m 1 m 2. Próbastatisztika (eloszlása t-eloszlás H 0 mellett): X Y t = (n1 1)sn 2 1 (X ) + (n 2 1)sn 2 2 (Y ) n 1 n 2 (n 1 + n 2 2). n 1 + n 2 Ha t > t n1+n 2 2,1 α, akkor elutasítjuk a nullhipotézist, különben elfogadjuk. A t n1+n 2 2,1 α kritikus érték az f = n 1 + n 2 2 szabadsági fokú kétoldali t-próba kritikus értéke α terjedelem mellett (a megfelel eloszlás 1 α/2-kvantilise). Ha p < α: elvetjük H 0 -t, az várható értékek szignikánsan eltérnek egymástól.
35 Kétmintás t-próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások grammban számolva (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, sn (X ) = 1, 2, Y = 19, 9, sn (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szignikánsan eltér a cukortartalom? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak, azonos szórásúak.
36 Kétmintás t-próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások grammban számolva (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szignikánsan eltér a cukortartalom? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak, azonos szórásúak. t = Behelyettesítve: X Y (n1 1)sn 2 1 (X ) + (n 2 1)sn 2 2 (Y ) n 1 n 2 (n 1 + n 2 2). n 1 + n 2 t = 18, 4 19, , , 3 = 3,
37 Kétmintás t-próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások grammban számolva (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szignikánsan eltér a cukortartalom? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak, azonos szórásúak. H 0 : m 1 = m 2, H 1 : m 1 m 2 A próbastatisztika értéke: t = 3, 3. Az f = n 1 + n 2 2 = = 30 szabadsági fokú kétoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett: t 16,0,95 = 2, 042.
38 Kétmintás t-próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások grammban számolva (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szignikánsan eltér a cukortartalom? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak, azonos szórásúak. H 0 : m 1 = m 2, H 1 : m 1 m 2 A próbastatisztika értéke: t = 3, 3. Az f = n 1 + n 2 2 = = 30 szabadsági fokú kétoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett: t 16,0,95 = 2, 042. Itt t = 3, 3 > 2, 042 = t 30,0,975, ezért elutasítjuk H 0 -t. cukortartalma szignikánsan különböz A kétféle joghurt
39 Kétmintás t-próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások grammban számolva (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szignikánsan eltér a cukortartalom? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak, azonos szórásúak. H 0 : m 1 = m 2, H 1 : m 1 m 2 A próbastatisztika értéke: t = 3, 3. Az f = n 1 + n 2 2 = = 30 szabadsági fokú kétoldali t-próba kritikus értéke α = 0, 05 szignikanciaszint (terjedelem) mellett: t 16,0,95 = 2, 042. Itt t = 3, 3 > 2, 042 = t 30,0,975, ezért elutasítjuk H 0 -t. A kétféle joghurt cukortartalma szignikánsan különböz ha a szórások azonosak, és a próba alkalmazható (ezt eddig feltettük).
40 Normális eloszlásra vonatkozó kétmintás próbák Az alábbiakat kell ellen rizni kétmintás próbáknál: A minta normális eloszlású, vagy a mintaelemszám elég nagy (a centrális határeloszlástétel alapján az átlag közel normális eloszlású).
41 Normális eloszlásra vonatkozó kétmintás próbák Az alábbiakat kell ellen rizni kétmintás próbáknál: A minta normális eloszlású, vagy a mintaelemszám elég nagy (a centrális határeloszlástétel alapján az átlag közel normális eloszlású). Kétmintás esetben: a két minta egymástól független (unpaired eset). Ha a két minta természetes módon párosítható, párosított (paired) próba alkalmazható. Példa: megmérjük húsz ember vérnyomását egy adott napon reggel és este. Igaz-e, hogy a reggeli érték jelent sen eltér az estit l? Ha a szórásokról feltételezhetjük, hogy megegyeznek: a Student-féle t- próba alkalmazható. Ha a szórásokról nem tételezhetjük fel, hogy megegyeznek: a Welch-féle t-próba alkalmazható.
42 Példa: párosított t-próba 1991 és 2010 között feljegyezték az éves csapadékösszeget Budapesten, illetve Szegeden. Az átlag Budapesten 533 mm, a korrigált tapasztalati szórás 139, Szegeden az átlag 540 mm, a korrigált tapasztalati szórás 143 lett (forrás: OMSZ). Állíthatjuk-e, hogy Szegeden szignikánsan nagyobb a csapadékmennyiség várható értéke? év átlag sn Budapest Szeged
43 Példa: párosított t-próba 1991 és 2010 között feljegyezték az éves csapadékösszeget Budapesten, illetve Szegeden. Az átlag Budapesten 533 mm, a korrigált tapasztalati szórás 139, Szegeden az átlag 540 mm, a korrigált tapasztalati szórás 143 lett (forrás: OMSZ). Állíthatjuk-e, hogy Szegeden szignikánsan nagyobb a csapadékmennyiség várható értéke? év átlag sn Budapest Szeged A két adatsor nem független, mert egy éven belül a két város id járása nem független (az egyes minták sem teljesen függetlenek, és nem biztos, hogy normális eloszlásúak). Ezért párosított (paired) t-próba alkalmazható, egyoldali nullhipotézissel. H 0 : m 1 m 2, H 1 : m 1 < m 2, ahol m 1 a budapesti, m 2 a szegedi csapadékmennyiség várható értéke.
44 Példa: párosított t-próba 1991 és 2010 között feljegyezték az éves csapadékösszeget Budapesten, illetve Szegeden. Az átlag Budapesten 533 mm, a korrigált tapasztalati szórás 139, Szegeden az átlag 540 mm, a korrigált tapasztalati szórás 143 lett (forrás: OMSZ). Állíthatjuk-e, hogy Szegeden szignikánsan nagyobb a csapadékmennyiség várható értéke? év átlag sn Budapest Szeged A két adatsor nem független, mert egy éven belül a két város id járása nem független (az egyes minták sem teljesen függetlenek, és nem biztos, hogy normális eloszlásúak). Ezért párosított (paired) t-próba alkalmazható, egyoldali nullhipotézissel. H 0 : m 1 m 2, H 1 : m 1 < m 2, ahol m 1 a budapesti, m 2 a szegedi csapadékmennyiség várható értéke. A próbát elvégezve a p-értékre 0, 366 adódott.
45 Példa: párosított t-próba 1991 és 2010 között feljegyezték az éves csapadékösszeget Budapesten, illetve Szegeden. Az átlag Budapesten 533 mm, a korrigált tapasztalati szórás 139, Szegeden az átlag 540 mm, a korrigált tapasztalati szórás 143 lett (forrás: OMSZ). Állíthatjuk-e, hogy Szegeden szignikánsan nagyobb a csapadékmennyiség várható értéke? év átlag sn Budapest Szeged A két adatsor nem független, mert egy éven belül a két város id járása nem független (az egyes minták sem teljesen függetlenek, és nem biztos, hogy normális eloszlásúak). Ezért párosított (paired) t-próba alkalmazható, egyoldali nullhipotézissel. H 0 : m 1 m 2, H 1 : m 1 < m 2, ahol m 1 a budapesti, m 2 a szegedi csapadékmennyiség várható értéke. A próbát elvégezve a p-értékre 0, 366 adódott. Elfogadjuk a nullhipotézist, az adatok alapján Szegeden nem több szignikánsan a csapadékmennyiség várható értéke, mint Budapesten.
46 Welsh-féle t-próba A várható érték összehasonlítására párosítatlan esetben (two-sample two-sided unpaired Welch t-test). Legyenek X 1,..., X n1, Y 1,..., Y n2 független normális eloszlású valószín ségi változók: X i N(m 1, σ2 2), Y i N(m 2, σ2 2 ), ahol m 1, m 2, σ 1, σ 2 ismeretlen paraméterek. Kétoldali ellenhipotézis: H 0 : m 1 = m 2 ; H 1 : m 1 m 2. Próbastatisztika: t = X Y s 2 n 1 (X ) n 1. + s 2 n 2 (Y ) n 2 Ha t > t f,1 α, akkor elvetjük a nullhipotézist, különben elfogadjuk. A t f,1 α kritikus érték az f szabadsági fokú kétoldali t-próba kritikus értéke α terjedelem mellett (a megfelel eloszlás 1 α/2-kvantilise). Szabadsági fok: f s 2 n 1 (X ) n 1 s 4 n 1 (X ) n 2 1 (n1 1) + + s 2 n 2 (Y ) n 2. s 4 n 2 (Y ) n2 2(n2 1) Ha p < α: elvetjük H 0 -t, az várható értékek szignikánsan eltérnek egymástól.
47 F -próba Független normális eloszlású minták szórásának összehasonlítására. Legyenek most X 1, X 2,..., X n1, Y 1,..., Y n2 független normális eloszlású valószín ségi változók, ahol X i N(m 1, σ 2 1 ), Y i N(m 2, σ 2 2 ). Itt m 1, m 2, σ 1, σ 2 ismeretlen paraméterek. Kétoldali ellenhipotézis: H 0 : σ 1 = σ 2 ; H 1 : σ 1 σ 2. Próbastatisztika (eloszlása F -eloszlás H 0 mellett): F = s 2 n 1. sn 2 2 Ha F > F n1 1,n 2 1 vagy 1/F > F n2 1,n 1 1, akkor elvetjük a nullhipotézist, különben elfogadjuk, ahol F f1,f 2 az f 1, f 2 szabadsági fokú az F -eloszlás 1 α/2- kvantilise. p < 0, 05: a szórások szignikánsan eltérnek.
48 Az F -próba kritikus értéke Az F -próba kritikus értéke: F 19,11 = 3, 24, ez az eloszlás 1 α/2 = 0, 975-kvantilise
49 Kétmintás F -próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szigni- kánsan eltér a cukortartalom szórása? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak.
50 Kétmintás F -próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szigni- kánsan eltér a cukortartalom szórása? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak. H 0 : σ 1 = σ 2, H 1 : σ 1 σ 2 A próbastatisztika értéke: F = s 2 n 1 s = 1,22 = 0, 85, és 1 n 2 1,3 2 F = 1,32 = 1, 17. 1,2 2 2 Az (f 1, f 2 ) = (n 1 1, n 2 1) = (19, 11) szabadsági fokú F -próba kritikus értéke α = 0, 05 esetén: 3, 24, míg az (f 2, f 1 ) = (n 2 1, n 1 1) = (11, 19) szabadsági fok esetén 2, 76.
51 Kétmintás F -próba: példa Kétféle joghurt cukortartalmát szeretnénk összehasonlítani. Az els b l n 1 = 20, a másodikból n 2 = 12 dobozban mértük meg a cukortartalmat (grammban). Az átlagok és korrigált tapasztalati szórások (X 1,..., X 20 az els minta, Y 1,..., Y 12 a második): X = 18, 4, s n (X ) = 1, 2, Y = 19, 9, s n (Y ) = 1, 3. Állíthatjuk-e α = 0, 05 szignikanciaszint mellett, hogy a kétféle joghurtban szigni- kánsan eltér a cukortartalom szórása? Feltételezzük, hogy a minták függetlenek, normális eloszlásúak. H 0 : σ 1 = σ 2, H 1 : σ 1 σ 2 A próbastatisztika értéke: F = s 2 n 1 s = 1,22 = 0, 85, és 1 n 2 1,3 2 F = 1,32 = 1, 17. 1,2 2 2 Az (f 1, f 2 ) = (n 1 1, n 2 1) = (19, 11) szabadsági fokú F -próba kritikus értéke α = 0, 05 esetén: 3, 24, míg az (f 2, f 1 ) = (n 2 1, n 1 1) = (11, 19) szabadsági fok esetén 2, 76. Mivel F < 3, 24 és 1/F < 2, 76, elfogadjuk a nullhipotézist, a szórások nem térnek el szignikánsan, és a kétmintás t-próba valóban alkalmazható.
52 χ 2 -próba: illeszkedésvizsgálat Legyen A 1, A 2,..., A r teljes eseményrendszer, p 1, p 2,..., p r pedig olyan nemnegatív számok, melyek összege 1. H 0 : P(A k ) = p k minden k = 1, 2,..., r-re. H 1 : P(A k ) p k valamelyik k = 1, 2,..., r-re. n független meggyelést végzünk. N k : hányszor következett be A k. Ha van k, hogy N k < 4: néhány osztályt össze kell vonnunk, hogy a próbát alkalmazhassuk (vagyis A j és A k helyett A j A k -t és p j + p k -t tekintjük). Próbastatisztika: χ 2 = r k=1 (N k n p k ) 2 n p k.
53 χ 2 -próba Adott (A k ) r k=1 teljes eseményrendszer, és (p k) r k=1 számok: r k=1 p k = 1. H 0 : P(A k ) = p k minden k = 1, 2,..., r-re. Próbastatisztika (feltéve, hogy N k 4 minden k-ra): χ 2 = r k=1 H 1 : a nullhipotézis nem igaz (N k n p k ) 2 n p k.
54 χ 2 -próba Adott (A k ) r k=1 teljes eseményrendszer, és (p k) r k=1 számok: r k=1 p k = 1. H 0 : P(A k ) = p k minden k = 1, 2,..., r-re. Próbastatisztika (feltéve, hogy N k 4 minden k-ra): χ 2 = r k=1 H 1 : a nullhipotézis nem igaz (N k n p k ) 2 n p k. Legyen c krit az f = r 1 szabadsági fokú χ 2 -próba kritikus értéke α szignikanciaszint mellett. χ 2 > c krit vagy p < α: elutasítjuk H 0 -t, az eloszlás szignikánsan eltér (p k )-tól. χ 2 c krit vagy p α: elfogadjuk H 0 -t, az eloszlás nem tér el szignikánsan (p k )-tól.
55 χ 2 -próba Adott (A k ) r k=1 teljes eseményrendszer, és (p k) r k=1 számok: r k=1 p k = 1. H 0 : P(A k ) = p k minden k = 1, 2,..., r-re. Próbastatisztika (feltéve, hogy N i 4 minden k-ra): χ 2 = r k=1 H 1 : a nullhipotézis nem igaz (N k n p k ) 2 n p k. Legyen c krit az f = r 1 szabadsági fokú χ 2 -próba kritikus értéke α terjedelem (szignikanciaszint) mellett. Ez az f = r 1 szabadsági fokú χ 2 -eloszlás 1 α-kvantilise, vagyis P(Z Z 2 f < c krit ) = 1 α, ahol Z 1,..., Z f független standard normális eloszlású valószín ségi változók.
56 χ 2 -próba kritikus értéke Az f = 5 szabadsági fokú χ 2 -eloszlás s r ségfüggvénye. Az α = 0, 05 szignikanciaszint próba kritikus értéke: c krit = 11, 1.
57 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka?
58 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka? érték gyakoriság
59 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka? érték gyakoriság Minden szám legalább négyszer el fordult, alkalmazhatjuk a χ 2 -próbát. dobunk, r = 6, p k = 1/6, k = 1, 2,..., 6. A i : i-t H 0 : P(A k ) = 1/6 minden k-ra; H 1 : P(A k ) 1/6 valamelyik k-ra
60 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka? érték gyakoriság Minden szám legalább négyszer el fordult, alkalmazhatjuk a χ 2 -próbát. dobunk, r = 6, p k = 1/6, k = 1, 2,..., 6. A i : i-t H 0 : P(A k ) = 1/6 minden k-ra; H 1 : P(A k ) 1/6 valamelyik k-ra χ 2 = r k=1 (N k n p k ) 2 ( /6)2 ( /6)2 = + n p k 100 1/ /6 ( /6) = 7, /6
61 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka? érték gyakoriság
62 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka? érték gyakoriság H 0 : P(A k ) = 1/6 minden k-ra; H 1 : P(A k ) 1/6 valamelyik k-ra χ 2 = 7, 52; f = r 1 = 5; α = 0, 05; c krit = 11, 1
63 χ 2 -próba: példa Dobókockával dobunk százszor. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka? érték gyakoriság H 0 : P(A k ) = 1/6 minden k-ra; H 1 : P(A k ) 1/6 valamelyik k-ra χ 2 = 7, 52; f = r 1 = 5; α = 0, 05; c krit = 11, 1 χ 2 = 7, 52 < c krit = 11, 1, illetve a p-értékre 0, 1847 > 0, 05. Elfogadjuk H 0 -t, elfogadható, hogy a dobókocka szabályos, nincs szignikáns eltérés az egyenletes eloszlástól.
64 χ 2 -próba: példa Dobókockával dobunk ezerszer. A terjedelmet α = 0, 05-nek választva elfogadhatóe, hogy szabályos a dobókocka?
65 χ 2 -próba: példa Ha ezerszer dobunk, és az alábbi eredmények adódnak: érték gyakoriság H 0 : P(A k ) = 1/6 minden k-ra; H 1 : P(A k ) 1/6 valamelyik k-ra χ 2 = 11, 68; f = r 1 = 5; α = 0, 05; c krit = 11, 1
66 χ 2 -próba: példa Ha ezerszer dobunk, és az alábbi eredmények adódnak: érték gyakoriság H 0 : P(A k ) = 1/6 minden k-ra; H 1 : P(A k ) 1/6 valamelyik k-ra χ 2 = 11, 68; f = r 1 = 5; α = 0, 05; c krit = 11, 1 χ 2 = 11, 68 > c krit = 11, 1, illetve a p-értékre 0, 039 < 0, 05. Elutasítjuk H 0 -t, nem fogadható el, hogy a dobókocka szabályos, a minta alapján az eloszlás szignikánsan eltér az egyenletes eloszlástól.
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,
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
Részletesebben2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben
1 feladatsor 1 Egy dobozban 20 fehér golyó van Egy szabályos dobókockával dobunk, majd a következ t tesszük: ha a dobott szám 1,2 vagy 3, akkor tíz golyót cserélünk ki pirosra; ha a dobott szám 4 vagy
RészletesebbenA konfidencia intervallum képlete: x± t( α /2, df )
1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenStatisztika Elıadások letölthetık a címrıl
Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenAbszolút 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
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
RészletesebbenA 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
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenHipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018
Hipotézisvizsgálat az Excel adatelemző eljárásaival Dr. Nyéki Lajos 2018 Egymintás t-próba Az egymintás T-próba azt vizsgálja, hogy különbözik-e a változó M átlaga egy megadott m konstanstól. Az a feltételezés,
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenBiometria 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
RészletesebbenBiomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
RészletesebbenLeíró 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,
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenK oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21.
Középérték és variancia azonosságának próbái: t-próba, F -próba 2012. március 21. Hipotézis álĺıtása Feltételezés: a minta egy adott szempont alapján más populációhoz tartozik, mint b minta. Nullhipotézis
RészletesebbenPopulációbecslés és monitoring. Eloszlások és alapstatisztikák
Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
Részletesebben1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik. (b) Mit nevezünk másodfajú hibának?
Statisztika 2015. május 08. D csoport Név Neptun kód 1. Két pályázat esetén a nyerési esélyeket vizsgálják. Mintát véve mindkét pályázat esetén az egyik pályázatnál 320 pályázóból 42 nyert, a másik pályázatnál
RészletesebbenBaran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70
Valószínűségszámítás és matematikai statisztika Baran Ágnes Gyakorlat MATLAB Baran Ágnes Gyakorlat 1 / 7 Véletlenszám generátorok randi(n,n,m) n m pszeudorandom egész szám az [1, N]-en adott diszkrét egyenletes
RészletesebbenBIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis
Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai
RészletesebbenKiváltott agyi jelek informatikai feldolgozása Statisztika - Gyakorlat Kiss Gábor IB.157.
Kiváltott agyi jelek informatikai feldolgozása 2018 Statisztika - Gyakorlat Kiss Gábor IB.157. kiss.gabor@tmit.bme.hu Példa I (Vonat probléma) Aladár 25 éves és mindkét nagymamája él még: Borbála és Cecília.
RészletesebbenIntervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
RészletesebbenA 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
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
RészletesebbenKorreláció 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[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
RészletesebbenMatematikai 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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
Részletesebbenbiometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat
Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke
RészletesebbenValószín 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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenStatisztika I. 9. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenValószín 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
RészletesebbenValószín 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
RészletesebbenHipotézisvizsgálat 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
Részletesebben2. 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,
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenBiostatisztika Összefoglalás
Biostatisztika Összefoglalás A biostatisztika vizsga A biostatisztika vizsga az Orvosi fizika és statisztika I. fizika vizsgájával egy napon történik. A vizsga keretében 30 perc alatt 0 kérdésre kell válaszolni
RészletesebbenMatematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József
Matematika III. 9. Statisztikai hipotézisek Prof. Dr. Závoti, József Matematika III. 9. : Statisztikai hipotézisek Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027
RészletesebbenMatematikai statisztikai elemzések 4.
Matematikai statisztikai elemzések 4. Hipotézisvizsgálat: alapfogalmak, egymintás és kétmintás próbák. Prof. Dr. Závoti, József Matematikai statisztikai elemzések 4.: Hipotézisvizsgálat: alapfogalmak,
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenElméleti 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
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenMatematikai statisztikai elemzések 4.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések 4. MSTE4 modul Hipotézisvizsgálat: alapfogalmak, egymintás és kétmintás próbák. Illeszkedés-
RészletesebbenSTATISZTIKAI 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
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
RészletesebbenStatisztikai módszerek 7. gyakorlat
Statisztikai módszerek 7. gyakorlat A tanult nem paraméteres próbák: PRÓBA NEVE Illeszkedés-vizsgálat Χ 2 próbával Homogenitás-vizsgálat Χ 2 próbával Normalitás-vizsgálataΧ 2 próbával MIRE SZOLGÁL? A val.-i
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenDr. Karácsony Zsolt. Miskolci Egyetem november
Valószínűségszámítás és Matematikai statisztika Dr. Karácsony Zsolt Miskolci Egyetem, Alkalmazott Matematikai Tanszék 2013-2014 tanév 1. félév Miskolci Egyetem 2013. november 11-18 - 25. Dr. Karácsony
RészletesebbenStatisztikai 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
RészletesebbenKabos: Statisztika II. ROC elemzések 10.1. Szenzitivitás és specificitás a jelfeldolgozás. és ilyenkor riaszt. Máskor nem.
Kabos: Statisztika II. ROC elemzések 10.1 ROC elemzések Szenzitivitás és specificitás a jelfeldolgozás szóhasználatával A riasztóberendezés érzékeli, ha támadás jön, és ilyenkor riaszt. Máskor nem. TruePositiveAlarm:
RészletesebbenGyakorló feladatok statisztikai programcsomagokhoz
Gyakorló feladatok statisztikai programcsomagokhoz Az elvégzett tesztek eredményeit és azok magyarázatait mentsük el egy valasz.txt, ha ábra is van, a valasz.xls nev fájlba! 1. Nyissuk meg a kolcson.txt-t!
RészletesebbenEgyszempontos variancia analízis. Statisztika I., 5. alkalom
Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
RészletesebbenEseményalgebra. 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.
RészletesebbenAz átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)
Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
RészletesebbenEloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok
Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok
RészletesebbenMegoldások. 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.
RészletesebbenGyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016
Gyakorlat 8 1xANOVA Dr. Nyéki Lajos 2016 A probléma leírása Azt vizsgáljuk, hogy milyen hatása van a család jövedelmének a tanulók szövegértés teszten elért tanulmányi eredményeire. A minta 59 iskola adatait
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
RészletesebbenH0 hipotézis: μ1 = μ2 = μ3 = μ (a különböző talpú cipők eladási ára megegyezik)
5.4: 3 különböző talpat hasonlítunk egymáshoz Varianciaanalízis. hipotézis: μ1 = μ2 = μ3 = μ (a különböző talpú cipők eladási ára megegyezik) hipotézis: Létezik olyan μi, amely nem egyenlő a többivel (Van
RészletesebbenAz első számjegyek Benford törvénye
Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm
Részletesebben3. Egy szabályos dobókockával háromszor dobunk egymás után. Legyen A az az esemény, hogy
Valószínűségszámítás. zárthelyi dolgozat 009. október 5.. Egy osztályba 3-an járnak. Minden fizikaórán a a többi órától függetlenül a tanár kisorsol egy felelőt, véletlenszerűen, egyenletesen, azaz mindig
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
Részletesebbenkritikus érték(ek) (critical value).
Hipotézisvizsgálatok (hypothesis testing) A statisztikának egyik célja lehet a populáció tulajdonságainak, ismeretlen paramétereinek a becslése. A másik tipikus cél: valamely elmélet, hipotézis empirikus
RészletesebbenBiostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet
Biostatisztika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2018/19 tavaszi félév Bevezetés Tudnivalók, követelmények Tudnivalók, követelmények Félév tematikája: Értékelés: Valószín ségszámítás
RészletesebbenMatematikai 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
RészletesebbenNemparametrikus tesztek. 2014. december 3.
Nemparametrikus tesztek 2014. december 3. Nemparametrikus módszerek Alkalmazásuk: nominális adatok (gyakoriságok) esetén, ordinális adatok esetén, metrikus adatok esetén (intervallum és arányskála), ha
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
RészletesebbenIlleszkedésvizsgálati módszerek összehasonlítása
Eötvös Loránd Tudományegyetem Természettudományi Kar Illeszkedésvizsgálati módszerek összehasonlítása Szakdolgozat Készítette: Tóth Alexandra Matematika BSc. Matematikai Elemző szakirány Témavezető: Zempléni
RészletesebbenSTATISZTIKAI 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
RészletesebbenGyakorló feladatok_alapok
Gyakorló feladatok_alapok a Kísérletek tervezése és értékelése c tárgyból Eloszlások 3 Normális eloszlás 3 példa 3 példa 3 3 példa 3 4 példa 4 5 példa 4 t-eloszlás 4 6 példa 4 7 példa 5 8 példa 5 Khi-négyzet
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenTöbbváltozós 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
RészletesebbenMatematikai 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:
Részletesebben