1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit.
|
|
- Lóránd Tóth
- 8 évvel ezelőtt
- Látták:
Átírás
1 1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit. 1., Határozza meg az átlagos egyedszámot és a szórást. Egyedszám (x i ) Kvadrát (f i ) ; ; R-ben: n<-sum(kvadrat) egyedszam<-c(0,1,2,3,4,5,6,7,8) kvadrat<-c(16,41,49,20,14,5,1,1,0) atlag<-sum(egyedszam*kvadrat)/n [1] szoras<-sqrt((sum(egyedszam^2*kvadrat)-(n*atlag^2))/(n-1)) [1] , Jellemezhető-e az eloszlás Poisson eloszlással. tehát H 0 = x Poisson eloszlású. -statisztával teszteljük. emp.p<-dpois(egyedszam, atlag) chisq.test(kvadrat, p=emp.p) Chi-squared test for given probabilities data: kvadrat X-squared = , df = 8, p-value = A H 0 hipotézis valószínűsége 0.69, így az ördögszekér eloszlása Poisson eloszlásúnak tekinthető.
2 2., Két a Baëtis genuszba tartozó kérészfaj (A és B) lárváit 80 darab 100 cm 2 -es randomizáltan kihelyezet mintavételi egységben vizsgálták. Az alábbi adatokat kapták: esz A/k B/k Számítsa ki a fajok átlagos egyedszámát és szórását kvadrátonként. Mi lehet a magyarázata az átlagok és a szórások különbséégének? Egyedszam<-c(0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17) A.keresz<-c(0,0,0,0,2,2,4,7,10,10,10,10,8,6,4,4,2,1) B.keresz<-c(3,7,9,12,10,6,7,6,5,4,3,2,2,1,1,1,1,0) A.n<-sum(A.keresz) B.n<-sum(B.keresz) A.atlag<-sum(A.keresz*Egyedszam)/sum(A.keresz) > A.atlag [1] B.atlag<-sum(B.keresz*Egyedszam)/sum(B.keresz) > B.atlag [1] A.szoras<-sqrt((sum(Egyedszam^2*A.keresz)-(A.n*A.atlag^2))/(A.n-1)) A.szoras A variancia (v=s 2 ) [1] B.szoras<-sqrt((sum(Egyedszam^2*B.keresz)-(B.n*B.atlag^2))/(B.n-1)) B.szoras A variancia (v=s 2 ) [1] Az A faj átlaga és varianciája alig különböznek. A Poisson eloszlás esetében, ezért joggal feltétezhetjük a Poisson eloszlást. A B faj varianciája nagyobb mint az átlag, s ezért a nagy varianciáért az aggregáció a felelős: valamely lárva környezetében nagyobb valószínűséggel él másik lárva, mint olyan környezetben ahol más lárva nincsen. 3., Tegyük fel,hogy a humán menstruációs ciklus hosszúsága normális eloszlású. Egy nő esetében a ciklus hosszúságára az alábbi megfgyeléseket teték. 26, 24, 29, 33, 25, 26, 23, 30, 31, 30, 28, 27, 29, 26, 28 Megfelel-e a ciklus átlagos hossza, a 29.5 napos átlagértéknek, 95%-os valószínűség szinten? ; alternatív hipotézis: ciklus<-c(26, 24, 29, 33, 25, 26, 23, 30, 31, 30, 28, 27, 29, 26, 28) > t.test(ciklus, mu=29.5) One Sample t-test data: ciklus t = , df = 14, p-value = alternative hypothesis: true mean is not equal to percent confidence interval:
3 sample estimates: mean of x A megfgyelt ciklus rövidebb, mint a feltételezet. 4., Egy kísérleti sertéshízlalóban két tápszert próbáltak ki. Mindkét tápszer esetében vizsgálták az adot intervallumbeli súlygyarapodást, és megfgyelt állatra a következő adatokat kapták. T1: 41, 34, 29, 26, 32, 35, 38, 34, 30, 29, 32, 31 T2: 26, 24, 28, 29, 30, 29,32, 26, 31, 29, 32, 28 Tegyük fel, hogy a súlygyarapodás normális eloszlású. Vizsgáljuk meg, hogy 95% szignifkancia szinten, hogy van-e különbség a tápok hatását illetően? ; alternatív hipotézis T1<-c(41, 34, 29, 26, 32, 35, 38, 34, 30, 29, 32, 31) T2<-c(26, 24, 28, 29, 30, 29,32, 26, 31, 29, 32, 28) > var.test(t1,t2) F test to compare two variances data: T1 and T2 F = , num df = 11, denom df = 11, p-value = alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: sample estimates: ratio of variances A két testsúly gyarapodás varianciája azonosnak tekinthető, mivel a kapot valószínűség 0.05< p. t.test(t1,t2, var.equal=t) Two Sample t-test data: T1 and T2 t = , df = 22, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Az első (T1) táp szignifkánsan nagyobb súlynövekedést indukált. 5., A Daphnia longispina két populációjának 7-7 klónjának napokban kifejezet életartamának a következő idők adódtak: A: 7.2, 7.1, 9.1, 7.2, 7.3, 7.2, 7.5 B: 8.8, 7.5, 7.7, 7.6, 7.4, 6.7, 7.2 Az életartam a két populáció esetében normális eloszlásúnak adódot. Azonosnak tekinthető-e a
4 populációk életartama, 95%-os szignifkancia szinten? ; alternatív hipotézis: > A<-c(7.2, 7.1, 9.1, 7.2, 7.3, 7.2, 7.5) > B<-c(8.8, 7.5, 7.7, 7.6, 7.4, 6.7, 7.2) > var.test(a,b) F test to compare two variances data: A and B F = , num df = 6, denom df = 6, p-value = alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: sample estimates: ratio of variances A két Daphnia populáció életartamának varianciája azonosnak tekinthető. t.test(a,b, var.equal=t) Two Sample t-test data: A and B t = , df = 12, p-value = alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y A két Daphnia populáció életartamában nincs különbség. 6., Egy vizsgálat során 12 állat szérum-koleszterolszintjét és az altériafal kalciumtartalmát mérték. A következő eredményeket kapták: koleszterin (mg/100 ml): 59, 52, 42, 59, 24, 24, 40, 32, 63, 57, 36, 24 Ca-tartalom: (mg/sz.s 100g): 289, 303, 233, 287, 236, 245, 265, 233, 286, 290, 264, 239 Találunk-e kapcsolatot közötük szinten? ; alternatív hipotézis: koleszt<-c(59, 52, 42, 59, 24, 24, 40, 32, 63, 57, 36, 24) Ca<-c(289, 303, 233, 287, 236, 245, 265, 233, 286, 290, 264, 239) > cor(koleszt, Ca) [1] > cor.test(koleszt, Ca) Pearson's product-moment correlation data: koleszt and Ca
5 t = , df = 10, p-value = alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: sample estimates: cor A szérum-kolszterol és az artéria fal Ca tartaloma közöt szoros korreláció tapasztalható. 7., Két tulajdonságpárral kapcsolatos keresztezési kísérletben, az F 2 nemzedékben a következő gyakorisági adatokat kapták: fenotipus: AB Ab ab ab gyakoriság Elfogadható-e, hogy az F 2 nemzedék 9:3:3:1 eloszlású? H 0 : a minta egy olyan populációból származik amelyre jellemző az adot elméleti eloszlás H 1 : a minta egy más eloszlású populációból származik fenotipus<-c(247,81,53,27) chisq.test(fenotipus, p=c(9/16,3/16,3/16,1/16)) Chi-squared test for given probabilities data: fenotipus X-squared = , df = 3, p-value = A hipotézist elvetjük, a kísérletben az F 2 nemzedék nem követi az elméleti arányt. 8., Az 2., feladatban döntsük el a Poisson eloszlásra vonatkozó hipotézist. val.gyak.a.keresz<-a.keresz[5:18] elm.p.a.keresz<-dpois(egyedszam[5:18], A.atlag) elm.p.a.keresz[14]<-1-sum(elm.p.a.keresz[1:13]) elm.gyak.a.keresz<-elm.p.a.keresz*sum(a.keresz) x2<-sum(((val.gyak.a.keresz-elm.gyak.a.keresz)^2)/ elm.gyak.a.keresz) x2 [1] pchisq(x2, ) [1] # p valószínűség Más módon: > chisq.test(rbind(val.gyak.a.keresz,elm.gyak.a.keresz)) data: rbind(val.gyak.a.keresz, elm.gyak.a.keresz) X-squared = , df = 13, p-value =
6 9., A Poisson eloszlásra való hipotézisünket elfogadjuk. Egy fenyőfaj térbeli eloszlásának vizsgálata adot mintaterületen 100 db, 7.3 m 2 nagyságú random módon elhelyezet kvadrátban vizsgálták a fák számát. Fák száma: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 kvadrát gyakoriság 7, 16, 20, 24, 17, 9, 5, 1, 1, 0 Igazolható-e, hogy e a fák eloszlását a véletlen határozza meg (Poisson eloszlású)? fa<-c(0,1,2,3,4,5,6,7,8,9) kvadrat<-c(7, 16, 20, 24, 17, 9, 5, 1, 1, 0) fa.atlag<-sum(fa*kvadrat)/sum(kvadrat) fa.atlag [1] 2.86 elm.vals<-dpois(fa, fa.atlag) elm.vals[10]<-1-sum(elm.vals[1:9]) elm.gyak<-elm.vals*sum(kvadrat) x2<-sum(((kvadrat-elm.gyak)^2)/elm.gyak) x2 [1] > 1-pchisq(x2,9) [1] > chisq.test(kvadrat, p=elm.gyak)) data: kvadrat X-squared = , df = 9, p-value = A hipotézist, miszerint a fák eloszlása a véletlent követi, igaz. 10., Egy adot területen valamely madárfaj egyedszámára vonatkozó megfgyelési eredményeket foglaltuk össze. Elfogadható-e a nemek évszakonkénti azonos arányára tet H 0 hipotézis? Tavasz nyár ősz tél hím nőstény H 0 = X, Y azonos eloszlású madar<-matrix(c(163,135,71,43,86,77,40,38), byrow=t, nrow=2) > madar [,1] [,2] [,3] [,4] [1,] [2,] > chisq.test(madar, correct=f) data: madar X-squared = , df = 3, p-value = A p >0.05, ezért a H 0 hipotézist elfogadjuk, miszerint nincs különbség az ivarok évszakonkénti eloszlásában.
7 11., A Primula sinensis kankalinfaj egyedeinek magvait esővízzel, illetve sok agyagkolloidot tartalmazó zavaros talajvízzel átitatot szűrőpapíron csíráztaták, és a következő adatokat kapták: Kicsírázot nem csírázot ki esővíz talajvíz Szignifkáns-e a kezelési különbség, 0.2 szignifkancia szinten? > kankalin<-matrix(c(37,13,32,18), byrow=t, nrow=2) > chisq.test(kankalin, correct=f) data: kankalin X-squared = , df = 1, p-value = A valószínűség > 0.2, így a különbség nem szignifkáns. 12., A négytényezős kontingenciatáblázat eseténben az -próba alkalmazásának feltételeként szokták tekinteni, hogy minden elméleti gyakoriság 5-nél nagyobb legyen. Kis mintaelemszám esetén a Yates-féle korrekciót alkalmazzuk (R-ben alapeset (lásd, help): cisq.test(x, correct=t). Egy terápiás eljárás alkalmazásakor 30 beteg kozül 20 gyógyult meg, anélkül 17 beteg közül 12. Vizsgáljuk meg a Yates-korrekcióval módosítot -próbával, hogy 0.1 szignifkancia szinten van-e különbség a kezelt és nem kezeltek közöt. Felírjuk a kontingenciatáblázatot: Nem kezetlt kezelt gyógyult nem gyógyult 5 10 terapia<-matrix(c(12,20,5,10),2,2,byrow=t) chisq.test(terapia) with Yates' continuity correction data: terapia X-squared = , df = 1, p-value = Mivel p > 0.1 ezért a kezelésnek nem tulajdonítunk szignifkáns hatást. 13., Bodmer and Payne (1965) két szérum (4a és 4c) precipitációs hatását vizsgálva azt kapta, 23 személy esetében mindkét szérum a vér precipitációját eredményezte, 2 esetben csak az Ac savóval, 47 esetben csak a 4a savóval következet be precipitáció, végül 35 személy esetében egyik savó sem okozot precipitációt. Függetlennek tekinthetők-e a hatások (α=0.05)? H 0 = a hatások függetlenek, H 1 a hatások nem függetlenek
8 Felírjuk a kontingenciatáblázatot: 4a/4c savo<-matrix(c(23,2,47,35),2,2,byrow=t) > chisq.test(savo) with Yates' continuity correction data: savo X-squared = , df = 1, p-value = > chisq.test(savo, correct=f) data: savo X-squared = , df = 1, p-value = A kapot -statisztika valószínűsége kisebb, mint a szignifkancia szint, ezért a hatások nem tekinthetők függetlennek. 14., A Bükk egy rétállományában randomizáltan kihelyezet mintavételi kvadrátal vizsgálták a Festuca rubra és a Nardus stricta fűfajok térbeli asszociáltságát. A kvadrátok oldalhosszúsága a négy esetben rendre a következő volt: 2 cm, 32 cm, 64 cm, 128 cm. Az eredményeket az alábbi kontingencia táblák mutatják (a 1, b 1 prezencia, a 0, b 0, abszenciát jelöl). Tekintsük az asszociáltság mértékének a értéket, irányának pedig az ad-bc előjelét, ahol a betűk előjele a szokásos. kontingencia tábla a b 2 c d 2 cm a1 a0 b b cm a1 a0 b b cm a1 a0 b b cm a1 a0 b b0 0 0 hisq.test(kvadrat_2cm, correct=f) data: kvadrat_2cm X-squared = 6.25, df = 1, p-value = *30-30*30; [1] -600; negatív > chisq.test(kvadrat_32cm, correct=f)
9 data: kvadrat_32cm X-squared = , df = 1, p-value = chisq.test(kvadrat_64cm, correct=f) > 70*10-10*10; [1] 600; pozitív data: kvadrat_64cm X-squared = , df = 1, p-value = 5.882e-12 > 90*5-5; [1] 445; pozitív > chisq.test(kvadrat_128cm, correct=f) data: kvadrat_128cm X-squared = NaN, df = 1, p-value = NA nulla Ha a mintavétel egység kellően alacsony akkor az asszociáltság kisebb, és gyakran negatív. A mintavételi egység növelésével az asszociáltság értéke pozitív és növekedő, kellően nagy egység esetén eltűnik. 15., Két növényfaj (A ill. B) egyedeinek száma egy véletlenszerűen kihelyezet kvadrátban. Azonos eloszlású-e a két faj előfordulása (α=0.05)? A: B: H 0 = X, Y azonos eloszlású > a1<-c(36,41,28,11,3,1) > a2<-c(28,36,22,8,4,2) > chisq.test(rbind(a1,a2)) data: rbind(a1, a2) X-squared = , df = 5, p-value = , Vizsgáljuk egy humán populációban a nem és hajszín összefüggését, 0.05 szignifkancia szinten. Fekete barna vörös szőke férf: nő: H 0 a hajszín és a nem független egymástól. H 1 a hajszín és a nem függenek egymástól. > haj<-matrix(c(32,43,9,16,55,65,16,64),2,4,byrow=t) > haj [,1] [,2] [,3] [,4] [1,] [2,]
10 > chisq.test(haj) data: haj X-squared = , df = 3, p-value = A H 0 nem igaz mert a p < 0.05, így a nemek és a hajszín nem bizonyult függetlennek. 17., Roberts és Grifths (1937) angol gyermekek értelmi lépességét vizsgálva az un. BINET-, és OTIStesztre adot pontszámokat hasonlítoták össze. A kiválszatot 65 gyerekre kapot értékeket a pelda_17.txt fájl tartalmazza. gyerek<-read.table(file="pelda_17.txt", header=t, sep=",") reg1<-lm(otis~binet) detach(gyerek) > reg1 Call: lm(formula = OTIS ~ BINET) Coefficients: (Intercept) BINET summary(reg1) Call: lm(formula = OTIS ~ BINET) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-10 *** BINET < 2e-16 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 63 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 63 DF, p-value: < 2.2e-16 b=2.069 p < 0.05 szignifkáns és pozitív kapcsolat van a két teszt közöt. A több BINET pontot elért gyerek nagy valószínűséggel az OTIS tesztben is magasabb pontszámot kap. 18., Széna foszfortartalmának meghatározása során négy vegyésztecnikus 5-5 párhuzamos mérést végez. Az eredmények mg/g-ban kifejezve, a következők: 1:
11 4: Van-e különbség a tecnikusok mérései közöt, α = 0.05 szinten. foszfor<-c(34,36,34,35,34,37,36,35,37,37,34,37,35,37,36, 36,34,37,34,35) technikus<-c(1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4) meres<-data.frame(foszfor,factor(technikus)) attach(meres) anova1<-aov(foszfor~technikus, meres) > anova1 Call: aov(formula = foszfor ~ technikus, data = meres) Terms: technikus Residuals Sum of Squares Deg. of Freedom 1 18 Residual standard error: Estimated effects may be unbalanced > summary(anova1) Df Sum Sq Mean Sq F value Pr(>F) technikus Residuals A p > 0.05, ezért a nullhipotézit elfogadjuk. A négy tecnikus mérése közöt nincs különbség. 19., A Tribolium confuusm (lisztbogár) adot időtartam alati, mg-ban mért súlyvesztésére állandó hőmérsékletű levegőben különböző százalékos páratartalom mellet a következő eredményeket kapták: páratartalom: 0, 12, 29.5, 43, 53, 62,5, 75.5, 85, 93 súlyveszteség: 8.98, 8.14, 6.67, 6.08, 5.90, 5.83, 4.08, 4.20, 3.72 Irja fel a regresszió egyenletét, és írja le, hogy a kapcsolat milyenségét? para<-c(0, 12, 29.5, 43, 53, 62.5, 75.5, 85, 93) sulyveszt<-c(8.98, 8.14, 6.67, 6.08, 5.90, 5.83, 4.08, 4.20, 3.72) reg2<-lm(sulyveszt~para) > summary(reg2) Call: lm(formula = sulyveszt ~ para) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-09 *** para e-06 ***
12 --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 7 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 7 DF, p-value: 2.399e-06 A páratartalom csökkenésével szignifkánsan csökken a lisztbogarak súlya. 20., Drosophila persimilisen vizsgálták a lárvakori denzitás és a felnőtkori testömeg kapcsolatát. (A lárvakori denzitást a kísérletező állítota be, a testömeg normál eloszlású a vizsgált denzitástartományban.) Milyen a lárvakori denzitás és a felnőtkori testömeg kapcsolata? Illeszen egyenest az adatokra és határozza meg a paramétereit (meredekség, tengelymetszet), ha lehet! Denzitás Tömeg 1,356 1,356 1,284 1,252 0,989 0,664 0,475 denzitas<-c(1,3,5,6,10,20,40) tomeg<-c(1.356,1.356,1.284,1.252, 0.989, 0.664, 0.475) reg3<-lm(tomeg~denzitas) > summary(reg3) Call: lm(formula = tomeg ~ denzitas) Residuals: Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-06 *** denzitas ** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 5 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 5 DF, p-value: A p < 0.05, a lárvakori tömegesség szignifkáns negatív hatással van felnőtkori testömegre.
Az R statisztikai programozási környezet: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig
: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig Ferenci Tamás ferenci.tamas@nik.uni-obuda.hu 2017. február 23. Tartalom Az R mint programozási nyelv A könyvtárakról
RészletesebbenNormál eloszlás. Gyakori statisztikák
Normál eloszlás Átlag jól jellemzi az adott populációt folytonos eloszlás (pl. lottó minden szám egyszer fordul elő) kétkúpú eloszlás (IQ mindenki vagy zseni vagy félhülye, átlag viszont azt mutatja,
RészletesebbenEsetelemzés az SPSS használatával
Esetelemzés az SPSS használatával A gepj.sav fileban négy különböző típusú, összesen 80 db gépkocsi üzemanyag fogyasztási adatai találhatók. Vizsgálja meg, hogy befolyásolja-e az üzemanyag fogyasztás mértékét
RészletesebbenBIOMETRIA_ANOVA_2 1 1
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenKISTERV2_ANOVA_
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
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
RészletesebbenStatisztika, próbák Mérési hiba
Statisztika, próbák Mérési hiba ÁTLAG SZÓRÁS KICSI, NAGY MIN, MAX LIN.ILL LOG.ILL MEREDEKSÉG METSZ T.PROBA TREND NÖV Statisztikai függvények Statisztikailag fontos értékek Számtani átlag: ŷ= i y i /n Medián:
RészletesebbenSTATISZTIKA PRÓBAZH 2005
STATISZTIKA PRÓBAZH 2005 1. FELADATSOR: számítógépes feladatok (még bővülni fog számítógép nélkül megoldandó feladatokkal is) Használjuk a Dislexia Excel fájlt (internet: http:// starts.ac.uk)! 1.) Hasonlítsuk
Részletesebben1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila
1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila Bevezetés... 1 A kutatás hipotézise... 2 A kutatás célja... 2 Az alkalmazott mikroorganizmusok... 3 Kísérleti
RészletesebbenEsetelemzések az SPSS használatával
Esetelemzések az SPSS használatával 1. Tekintsük az spearman.sav állományt, amely egy harminc tehenet számláló állomány etetés- és fejéskori nyugtalansági sorrendjét tartalmazza. Vizsgáljuk meg, hogy van-e
RészletesebbenWIL-ZONE TANÁCSADÓ IRODA
WIL-ZONE TANÁCSADÓ IRODA Berényi Vilmos vegyész, analitikai kémiai szakmérnök akkreditált minőségügyi rendszermenedzser regisztrált vezető felülvizsgáló Telefon és fax: 06-33-319-117 E-mail: info@wil-zone.hu
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
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests
Nonparametric Tests Petra Petrovics Hypothesis Testing Parametric Tests Mean of a population Population proportion Population Standard Deviation Nonparametric Tests Test for Independence Analysis of Variance
RészletesebbenTöbb laboratórium összehasonlítása, körmérés
Több oratórium összehasonlítása, körmérés colorative test, round robin a rendszeres hibák ellenőrzése, számszerűsítése Statistical Manual of AOAC, W. J. Youden: Statistical Techniques for Colorative Tests,
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Hypothesis Testing. Petra Petrovics.
Hypothesis Testing Petra Petrovics PhD Student Inference from the Sample to the Population Estimation Hypothesis Testing Estimation: how can we determine the value of an unknown parameter of a population
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.
Correlation & Linear Regression in SPSS Petra Petrovics PhD Student Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise
RészletesebbenCorrelation & Linear Regression in SPSS
Correlation & Linear Regression in SPSS Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise 1 - Correlation File / Open
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós lineáris regresszió: modellszelekció Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Negyedik előadás, 2010. október
RészletesebbenStatisztikai szoftverek esszé
Statisztikai szoftverek esszé Dávid Nikolett Szeged 2011 1 1. Helyzetfelmérés Adott egy kölcsön.txt nevű adatfájl, amely információkkal rendelkezik az ügyfelek életkoráról, családi állapotáról, munkaviszonyáról,
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
RészletesebbenDÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA
STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL DÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST, 2014 1 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenStatisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák
Statisztikai hipotézisvizsgálatok Paraméteres statisztikai próbák 1. Magyarországon a lakosság élelmiszerre fordított kiadásainak 2000-ben átlagosan 140 ezer Ft/fő volt. Egy kérdőíves felmérés során Veszprém
RészletesebbenStatisztikai módszerek alkalmazása az orvostudományban. Szentesi Péter
Statisztikai módszerek alkalmazása az orvostudományban Szentesi Péter Az orvosi munkahipotézis ellenőrzése statisztikai módszerekkel munkahipotézis mérlegelés differenciáldiagnosztika mi lehet ez a más
RészletesebbenSztochasztikus kapcsolatok
Sztochasztikus kapcsolatok Petrovics Petra PhD Hallgató Ismérvek közötti kapcsolat (1) Függvényszerű az egyik ismérv szerinti hovatartozás egyértelműen meghatározza a másik ismérv szerinti hovatartozást.
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
RészletesebbenKabos Sándor. Térben autokorrelált adatrendszerek
Kabos Sándor Térben autokorrelált adatrendszerek elemzése Összefoglalás az előadás példákon szemlélteti a térben autokorrelált adatok blokkosításának és összefüggésvizsgálatának jellemző tulajdonságait.
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Nonparametric Tests. Petra Petrovics.
Nonparametric Tests Petra Petrovics PhD Student Hypothesis Testing Parametric Tests Mean o a population Population proportion Population Standard Deviation Nonparametric Tests Test or Independence Analysis
RészletesebbenStandardizálás, transzformációk
Standardizálás, transzformációk A transzformációk ugynúgy mennek, mint egyváltozós esetben. Itt még fontosabbak a linearitás miatt. Standardizálás átskálázás. Centrálás: kivonjuk minden változó átlagát,
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
Részletesebben1. (Sugár Szarvas fgy., 186. o. S13. feladat) Egy antikvárium könyvaukcióján árverésre került. = x = 6, y = 12. s y y = 1.8s x.
. Sugár Szarvas fgy., 86. o. S3. feladat Egy antikvárium könyvaukcióján árverésre került 9 könyv licitálási adatai alapján vizsgáljuk a könyvek kikiáltási és ún. leütési ára ezerft közötti sztochasztikus
Részletesebbenkonfidencia-intervallum Logikai vektorok az R-ben 2012. március 14.
Valószínűség, pontbecslés, konfidencia-intervallum Logikai vektorok az R-ben 2012. március 14. Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra
RészletesebbenStatistical Inference
Petra Petrovics Statistical Inference 1 st lecture Descriptive Statistics Inferential - it is concerned only with collecting and describing data Population - it is used when tentative conclusions about
RészletesebbenIdősoros elemzés. Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7.
Idősoros elemzés Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7. A felhasznált adatbázisról Elemzésemhez a tanszéki honlapon rendelkezésre bocsátott TimeSeries.xls idősoros adatgyűjtemény egyik idősorát,
RészletesebbenGyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos
Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek Dr. Dombi Ákos (dombi@finance.bme.hu) ESETTANULMÁNY 1. Feladat: OTP részvény átlagárfolyamának (Y=AtlAr) stacionaritás
RészletesebbenIdősoros elemzés minta
Idősoros elemzés minta Ferenci Tamás, tamas.ferenci@medstat.hu A felhasznált adatbázisról Elemzésemhez a francia frank árfolyamának 1986.01.03. és 1993.12.31. közötti értékeit használtam fel, mely idősorban
RészletesebbenX PMS 2007 adatgyűjtés eredményeinek bemutatása X PMS ADATGYŰJTÉS
X PMS ADATGYŰJTÉS 2007 1 Tartalom Összefoglalás...3 A kutatásba beválasztott betegek életkora... 4 A kutatásba bevont betegek nem szerinti megoszlása... 5 Az adatgyűjtés során feltárt diagnózisok megoszlása...
RészletesebbenMonte Carlo módszerek
25 KULLANCSLÁRVA vizsgálata: Erős hideg hatására nézzük a túlélést. Eredmény: 6 elpusztult, 9 élve maradt Hipotézis: a pajzs hosszának variabilitása egy általános genetikai variabilitást tükröz, míg az
RészletesebbenPhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats
PhEur... Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats 00 80 60 0 0 00 80 60 0 0 catterplot of multiple variables against dose PhEur_.sta
RészletesebbenMARKETINGKUTATÁS II. Oktatási segédanyag. Budapest, 2004. február
MARKETINGKUTATÁS II. Oktatási segédanyag Budapest, 2004. február Tartalomjegyzék ELŐSZÓ... 2 1 AZ SPSS-RŐL ÁLTALÁBAN... 3 1.1 DATA EDITOR... 3 1.2 VIEWER... 4 1.3 CHART EDITOR... 4 2 ADATBEVITEL... 5 2.1
RészletesebbenA fajok közötti kommunikáció vizsgálata
A fajok közötti kommunikáció vizsgálata Interspecifikus kommunikáció más faj vészjelzésének megértése?? mézkalauz méhészborz növények kártevő rovarok ellen predátorokat invitálnak kémiai jelekkel Emberközpontú
RészletesebbenBemenet modellezése II.
Bemenet modellezése II. Vidács Attila 2005. november 3. Hálózati szimulációs technikák, 2005/11/3 1 Kiszolgálási id k modellezése Feladat: Egy bemeneti modell felállítása egy egy kiszolgálós sorbanállási
RészletesebbenFeltesszük, hogy a mintaelemek között nincs két azonos. ha X n a rendezett mintában az R n -ik. ha n 1 n 2
Kabos: Ordinális változók Hipotézisvizsgálat-1 Minta: X 1, X 2,..., X N EVM (=egyszerű véletlen minta) X-re Feltesszük, hogy a mintaelemek között nincs két azonos. Rendezett minta: X (1), X (2),..., X
RészletesebbenNem. Cumulative Percent 1,00 férfi ,9 25,9 25,9 2,00 nı ,1 73,1 99,0 99,00 adathiány 27 1,0 1,0 100,0 Total ,0 100,0
Függelék II. Demográfia Nem Frequency Percent Percent Cumulative Percent 1,00 férfi 727 25,9 25,9 25,9 2,00 nı 2053 73,1 73,1 99,0 99,00 adathiány 27 1,0 1,0 100,0 Korcsoport Frequency Percent Percent
RészletesebbenStatisztika II. feladatok
Statisztika II. feladatok 1. Egy női ruhákat és kiegészítőket forgalmazó üzletlánc 118 egységénél felmérést végzett arról, milyen tényezők befolyásolják a havi összbevételüket (EUR). a) Pótolja ki a táblázatok
RészletesebbenEsettanulmány. A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre. Tartalomjegyzék. 1. Bevezetés... 2
Esettanulmány A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre Tartalomjegyzék 1. Bevezetés... 2 2. A lineáris modell alkalmazhatóságának feltételei... 2 3. A feltételek teljesülésének
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Regression
Correlation & Regression Types of dependence association between nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation describes the strength of a relationship,
RészletesebbenSTATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
Részletesebbenb) Adjunk meg 1-1 olyan ellenálláspárt, amely párhuzamos ill. soros kapcsolásnál minden szempontból helyettesíti az eredeti kapcsolást!
2006/I/I.1. * Ideális gázzal 31,4 J hőt közlünk. A gáz állandó, 1,4 10 4 Pa nyomáson tágul 0,3 liter térfogatról 0,8 liter térfogatúra. a) Mennyi munkát végzett a gáz? b) Mekkora a gáz belső energiájának
RészletesebbenFogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenGyőrBike a győri közösségi bérkerékpár rendszer első éve
GyőrBike a győri közösségi bérkerékpár rendszer első éve Magyar Urbanisztikai Társaság Győr-Moson-Sopron megyei csoportja MTA KRTK RKI Nyugat-magyarországi Tudományos Osztály Smart City rendezvénysorozat
RészletesebbenInformatikai ismeretek vizsgálata a 8. osztály végén. Kiss Gábor Óbudai Egyetem kiss.gabor@bgk.uni-obuda.hu
Informatikai ismeretek vizsgálata a 8. osztály végén Kiss Gábor Óbudai Egyetem kiss.gabor@bgk.uni-obuda.hu A vizsgálat célja A diákok informatikai ismereteinek vizsgálata a 8. osztály befejezésekor arra
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
RészletesebbenEgyenlőtlenségi mérőszámok alkalmazása az adatbányászatban. Hajdu Ottó BCE: Statisztika Tanszék BME: Pénzügyek tanszék Budapest, 2011
Egyenlőtlenségi mérőszámok alkalmazása az adatbányászatban Hajdu Ottó BCE: Statisztika Tanszék BME: Pénzügyek tanszék Budapest, 2011 Adatbányászati feladatok 1. Ismert mintákon, példákon való tanulás (extracting
RészletesebbenAdatok statisztikai feldolgozása
Adatok statisztikai feldolgozása Kaszaki József Ph.D Szegedi Tudományegyetem Sebészeti Műtéttani Intézet Szeged A mérési adatok kiértékelése, statisztikai analízis A mért adatok konvertálása adatbázis
RészletesebbenHátrányok: A MANOVA elvégzésének lépései:
MANOVA Tulajdonságok: Hasonló az ANOVÁ-hoz Több függő változó A függő változók korreláltak és a lineáris kombinációnak értelme van. Azt teszteli, hogy k populációban a függő változók egy lineáris kombinációjának
RészletesebbenR Commander kézikönyv a Biostatisztika tankönyv példáival
R Commander kézikönyv a Biostatisztika tankönyv példáival Harnos Andrea harnos.andrea@aotk.szie.hu 2014. március 17. Tartalomjegyzék 1. Bevezetés 4 2. Az R Commmander installálása és futtatása 5 2.1. Linux.........................................
RészletesebbenStatistical Dependence
Statistical Dependence Petra Petrovics Statistical Dependence Deinition: Statistical dependence exists when the value o some variable is dependent upon or aected by the value o some other variable. Independent
RészletesebbenBIZTONSÁGI ADATLAP A 1907/2006 számú EK rendelet szerint
SZAKASZ 1: Az anyag/keverék és a vállalat/vállalkozás azonosítása 1.1 Termékazonosító Termék neve : Termék kódja : 104367E Az anyag/keverék felhasználása : Orvosi műszer-fertőtlenítőszer Az anyag típusa
RészletesebbenFő közlekedési létesítmények stratégiai zajtérképezése és intézkedési terv
Közlekedéstudományi Intézet Nonprofit Kft. Közlekedésinformatikai és - környezeti Igazgatóság Közlekedésinformatikai Központ 1119 Budapest, Thán Károly u. 3-5. Fő közlekedési létesítmények stratégiai zajtérképezése
RészletesebbenMéréssel kapcsolt 3. számpélda
Méréssel kapcsolt 3. számpélda Eredmények: m l m 1 m 3 m 2 l l ( 2 m1 m2 m l = 2 l2 ) l 2 m l 3 = m + m2 m1 Méréssel kapcsolt 4. számpélda Állítsuk össze az ábrán látható elrendezést. Használjuk a súlysorozat
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenBIZTONSÁGI ADATLAP A 1907/2006 számú EK rendelet szerint
SZAKASZ 1: Az anyag/keverék és a vállalat/vállalkozás azonosítása 1.1 Termékazonosító Termék neve : Termék kódja : 106535E Az anyag/keverék felhasználása : Tisztító- és fertőtlenítőszer Az anyag típusa
Részletesebben4. előadás. Vektorok
4. előadás Vektorok Vektorok bevezetése Ha adottak a térben az A és a B pontok, akkor pontosan egy olyan eltolás létezik, amely A-t B- be viszi. Ha φ egy tetszőleges eltolás, akkor ez a tér minden P pontjához
RészletesebbenAZ ÁLTALÁNOS ISKOLÁSOK IDEGENNYELV-TANULÁSI ATTITŰDJEI ÉS MOTIVÁCIÓJA
MAGYAR PEDAGÓGIA 0. évf.. szám 5. (00) AZ ÁLTALÁNOS ISKOLÁSOK IDEGENNYELV-TANULÁSI ATTITŰDJEI ÉS MOTIVÁCIÓJA Csizér Kata és Dörnyei Zoltán Eötvös Loránd Tudományegyetem és Nottigham University Az általános
RészletesebbenLINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK
LINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK 2004 november 29. 1.) Lisztbogarak súlyvesztése 9 lisztbogár-csapat súlyát megmérték, (mindegyik 25 bogárból állt, mert egyenként túl kis súlyúak
RészletesebbenBIZTONSÁGI ADATLAP FOLPAN 48 SC
1/5 Verzió: 1-HU BIZTONSÁGI ADATLAP készült a 1907/2006/EK rendeletnek megfelelő en 1. Az anyag/készítmény és a vállalat/vállalkozás azonosítása Kereskedelmi név: A készítmény felhasználása: növényvédőszer
RészletesebbenVéletlenszám-generátorok
Véletlenszám-generátorok 1. Lineáris kongruencia generátor megvalósítása: (a) Készítsen lineáris kongruencia generátort az paraméterekkel, rnd_lcg néven. (b) Nyomtasson ki 20 értéket. legyen. (a, c, m,
RészletesebbenA talajsavanyodás által előidézett egyéb talajdegradációs folyamatok és az ezekre vonatkozó indikátorok kidolgozása Bevezetés Anyag és módszer
A talajsavanyodás által előidézett egyéb talajdegradációs folyamatok és az ezekre vonatkozó indikátorok kidolgozása OTKA Posztdoktori (D 048592) zárójelentés Bevezetés A talajsavanyodás stádiuma a talaj
RészletesebbenBiológiai variabilitás szerepe
Biológiai variabilitás szerepe a laboratóriumi munka során dr. Bekő Gabriella Semmelweis Egyetem, Laboratóriumi Medicina Intézet Központi Laboratórium Budapest, 2011. május 31. Bio-Rad Szimpózium Biológiai
RészletesebbenVariancia-analízis (folytatás)
Variancia-analízis (folytatás) 6. elıadás (11-12. lecke) Szórás-stabilizáló transzformációk (folyt.), t-próbák 11. lecke További variancia-stabilizáló transzformációk Egy-mintás t-próba Szórás-kiegyenlítı
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenLOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála a független változó: névleges vagy sorrendi vagy folytonos skála BIOMETRIA2_NEMPARAMÉTERES_5 1 Y: visszafizeti-e a hitelt x: fizetés (életkor)
RészletesebbenA 2011/2012. tanévi FIZIKA Országos Középiskolai Tanulmányi Verseny első fordulójának feladatai és megoldásai fizikából. I.
Oktatási Hivatal A 11/1. tanévi FIZIKA Országos Középiskolai Tanulmányi Verseny első fordulójának feladatai és megoldásai fizikából I. kategória A dolgozatok elkészítéséhez minden segédeszköz használható.
RészletesebbenBiztosítói káradatok matematikai modellezése
Biztosítói káradatok matematikai modellezése Szakdolgozat Készítette: Sebők Tamás Matematika B.Sc., Matematikai elemző szakirány Témavezető: Zempléni András, egyetemi docens Valószínűségelméleti és Statisztika
RészletesebbenEloszlás-független módszerek (folytatás) 15. elıadás (29-30. lecke)
Eloszlás-független módszerek (folytatás) 15. elıadás (29-30. lecke) Kétirányú osztályozás (függetlenség és homogenitás) Speciális eset: 2 2-es táblázatok Három-irányú osztályozás 29. lecke Függetlenség-
RészletesebbenFELTÉTELES VALÓSZÍNŰSÉG, TELJES VALÓSZÍNŰSÉG TÉTELE, BAYES TÉTELE
FELTÉTELES VALÓSZÍNŰSÉG, TELJES VALÓSZÍNŰSÉG TÉTELE, BAYES TÉTELE 1. Egy alkalmassági vizsgálat adatai szerint a vizsgált személyeken 0,05 valószínűséggel mozgásszervi és 0,03 valószínűséggel érzékszervi
RészletesebbenReiczigel Jenő, 2006 1
Reiczigel Jenő, 2006 1 Egytényezős (egyszempontos) varianciaelemzés k független minta (k kezelés vagy k csoport), a célváltozó minden csoportban normális eloszlású, a szórások azonosak, az átlagok vagy
RészletesebbenSpeciálkollégium. Dr. Fintor Krisztián Magyary Zoltán Posztdoktori Ösztöndíj TÁMOP 4.2.4.A/2-11-1-2012-0001 Nemzeti Kiválóság Program Szeged 2014
Speciálkollégium Dr. Fintor Krisztián Magyary Zoltán Posztdoktori Ösztöndíj TÁMOP 4.2.4.A/2-11-1-2012-0001 Nemzeti Kiválóság Program Szeged 2014 A beton öregedése A öregedés egy olyan természetes folyamat
RészletesebbenBiostatisztika Hipotézisvizsgálatok, egy- és kétoldalas próbák, statisztikai hibák, ANOVA
Biostatisztika Hipotézisvizsgálatok, egy- és kétoldalas próbák, statisztikai hibák, ANOVA Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat
RészletesebbenA statisztika részei. Példa:
STATISZTIKA Miért tauljuk statisztikát? Mire haszálhatjuk? Szakirodalom értő és kritikus olvasásához Mit állít egyáltalá a cikk? Korrektek-e a megállaítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez,
RészletesebbenDefiníció. Definíció. 2. El adás (folytatása) Az adatok leírása, megismerése és összehasonlítása. 2-5. fejezet. A variabilitás mér számai 3.
. El adás (folytatása) Az adatok leírása, megismerése és összehasonlítása -1 Áttekintés - Gyakoriság eloszlások -3 Az adatok vizualizációja -4 A centrum mérıszámai -5 A szórás mérıszámai -6 A relatív elhelyezkedés
RészletesebbenMŰSZAKI ISMERETEK. Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010
MŰSZAKI ISMERETEK Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010 Az előadás áttekintése Méret meghatározás Alaki jellemzők Felületmérés Tömeg, térfogat, sűrűség meghatározása
RészletesebbenElektromágneses hullámok - Hullámoptika
Bevezetés a modern fizika fejezeteibe 2. (c) Elektromágneses hullámok - Hullámoptika Utolsó módosítás: 2015. január 17. 1 Az elektromágneses hullámok visszaverődési és törési törvényei (1) Kérdés: Mi történik
Részletesebbenkötő-jelek 2011 Eötvös Loránd Tudományegyetem Társadalomtudományi Kar Szociológia Doktori Iskola Évkönyve Budapest, 2012
2011 kötő-jelek 2011 Eötvös Loránd Tudományegyetem Társadalomtudományi Kar Szociológia Doktori Iskola Évkönyve 2012 Budapest, 2012 Szerkesztők Pál Eszter, Somlai Péter, Szabari Vera Szerzők Herendi György
RészletesebbenBEVEZETÉS Az objektum fogalma
BEVEZETÉS Az objektum fogalma Program (1) Adat (2) Objektum Kiadványszerkesztés Word Táblázatkezelés Excel CAD AutoCad Adatbáziskezelés Access 1 Program (1) Adat (2) Objektum Adatmodell (2) A valós világ
RészletesebbenRegresszió és ANOVA. Freedman: fejezet. Freedman: fejezet. Freedman: fejezet
Kabos: Statisztika II. Összefüggésvizsgálat 11.9 Slide 1 Slide 1 Slide 1 Összefüggésvizsgálat 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása
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
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenDr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások
Dr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások Bevezetés A magas mérési szintű változók adataiból számolhatunk átlagot, szórást. Fontos módszerek alapulnak ezeknek a származtatott paramétereknek
RészletesebbenÖntanuló Szobatermosztát
2 264 Öntanuló Szobatermosztát 5 működési mód, fűtés/hűtés funkció, menü-rendszerű programozás az egygombos Push and Roll forgatógombbal REV23 Elemes tápellátású szobatermosztát Egyértelmű, grafikus menü;
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós lineáris regresszió: mintavételi vonatkozások és modelljellemzés Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Harmadik
Részletesebbeny ij e ij STATISZTIKA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 12. Előad Variancia-anal Lineáris modell ltozó
Elmélet let STATISZTIKA 12. Előad adás Vaiancia-anal analízis Lineáis modellek A magyaázat a függf ggő változó teljes heteogenitásának nak két k t észe bontását t jelenti. A teljes heteogenitás s egyik
Részletesebben4. sz. Füzet. A hibafa számszerű kiértékelése 2002.
M Ű S Z A K I B I Z O N S Á G I F Ő F E L Ü G Y E L E 4. sz. Füzet A hibafa számszerű kiértékelése 00. Sem a Műszaki Biztonsági Főfelügyelet, sem annak nevében, képviseletében vagy részéről eljáró személy
RészletesebbenIndependent Samples Test Levene's Test for Equality of t-test for Equality of Means. Mean. Difference
1. számú melléklet. Hallgatói eredmények táblázatai Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means Mean Std. Error 95% Confidence Interval of the Difference
RészletesebbenOperációs Rendszerek II. labor. 2. alkalom
Operációs Rendszerek II. labor 2. alkalom Mai témák (e)grep Shell programozás (részletesebben, példákon keresztül) grep Alapvető működés: mintákat keres a bemeneti csatorna (STDIN vagy fájl) soraiban,
RészletesebbenAlapfogalmak áttekintése. Pszichológiai statisztika, 1. alkalom
Alapfogalmak áttekintése Pszichológiai statisztika, 1. alkalom Hipotézisek Milyen a jó null hipotézis?? H0: Léteznek kitőnı tanuló diszlexiások.? H1: Nem léteznek. Sokkal inkább: H0: Nincs diszlexiás kitőnı
RészletesebbenAdalékanyagok kőzetfizikai tulajdonságai
Adalékanyagok kőzetfizikai tulajdonságai Út- és hídépítési műszaki előírások és alkalmazási tapasztalataik Magyar Közút Zrt. Dr. Kausay Tibor Dr. Kausay Tibor Budapest, 2011. november 23. 1 Útügyi műszaki
RészletesebbenMatematikai és matematikai statisztikai alapismeretek
Kézirat a Matematikai és matematikai statisztikai alapismeretek című előadáshoz Dr. Győri István NEVELÉSTUDOMÁNYI PH.D. PROGRM 1999/2000 1 1. MTEMTIKI LPOGLMK 1.1. Halmazok Halmazon mindig bizonyos dolgok
Részletesebben