Tárgymutató A legfontosabb magyar nyelvû vagy átvett, ill. tulajdonnévvel társított szakkifejezések és rövidítések kikeresését könnyíti meg az alábbi
|
|
- Vince Fehér
- 5 évvel ezelőtt
- Látták:
Átírás
1 Tárgymutató A legfontosabb magyar nyelvû vagy átvett, ill. tulajdonnévvel társított szakkifejezések és rövidítések kikeresését könnyíti meg az alábbi index. Angol szavak tehát nemigen szerepelnek benne, ezeket a D függelékben foglaltuk össze. Szerzõk neveit is hiába keressük az alábbi tárgymutatóban, mert az oldalszámokat az irodalomjegyzékben tüntettük fel. Dõlt számok jelzik a tétel kiemelten fontos, pl. definícióval, képlettel vagy részletes leírással kiegészített elõfordulásait. A ACCTRAN, 191, 367 Adams-konszenzus, 335, 336 adaptív osztályozás, 160, 161, 367 adatfeltárás, 6 adatmátrix, 8, 37, 38, 211, , 302 adattér, 61, 62, 211 adattípusok, adattranszformáció, additív egyenlõtlenség, 163 additív fa, 162, 163, 178, 367 additivitás, 367 AD skála, 25, 26, 80 affinitási index, 101 affin transzformáció, 271, 367 agglomeratív osztályozás, alakbelitávolság, 96 alakkomponens, , 373 alakkoordináták, 270 alaktranszformációk, 50 alapsokaság, 8, 12-14, 22, 32 alapvonal, 270, 368 allélgyakoriságok, 91, 187 aminosav szekvenciák, 76, 77, 209 Anderberg index, 26, 67, 68 antiszimmetrikus mátrix, 257 apomorfia, 184, 186, 367 arányskála, 26, , 380 arc sin transzformáció, 47, 49, 50 asszociáltság, 63, 157, 368 asszociáltság elemzés, , 368 aszimmetrikus mátrix, 357 atavizmus, 185 attribútum dualitás, 38, 39, 56, 368 autapomorf, 184, 188 azonosítás, 114, 375 Á általánosított Prokrusztész elemzés, 271, 338, 374 általánosított távolság, 16, 96-98, 160, 260, 374 általánosított variancia, 215, 374 área kladogram, 203, 204, 367 átfedéses osztályozás, 113, 125, 130, 171, 378 átfogó összehasonlítás, 307 átlagos kapcsolódás, 367 átlagos karaktereltérés, 82 átlagos távolság, 82 átmenetiegyenletek, 238, 239 átmenetikoefficiens, 90 átrendezett mátrixok, , 322, 323 B Balakrishnan - Shangvi távolság, 94, 95 Baroni-Urbani - Buser indexek, 27, 67, 70, 71 Bartlett próba, 231, 232, 260, 368 becslés, 13, 17, 18, 21, 22, 34, 36, 373 belcsoport, 180, 375 béta-flexibilis osztályozás, 150 Bhattacharyya távolság, 95 binarizálás, 49 bináris változók, 24, 26, 63-74, 288, 292 biogeográfia, , 370 biplot, 220, 221, 233, 236, 240, 245, 277, 278, 368 B k módszer, 126 blokk élesség, 292, 295 blokk osztályozás, 24, , 301, 303, 368
2 408 Tárgymutató blokk szeriálás, , 301, 368 BMDP, 10, 55, 106, 132, 170, 275, 302, 351 bokor, 163, 335, 369 Bookstein-féle alakkoordináták, 270 bootstrap konszenzus fa, 344, 369 bootstrap módszer, 32, 368 Box-Cox transzformáció, 48, 49, 56 branch and bound módszer, 157, 194, 369 Braun-Blanquet skála, 25, 26, 80 Bray - Curtis különbözõség, 84, 85, 86, 91, 310 C CA, 237 Calhoun távolság, 99, 100 Calinski - Harabasz index, Camin-Sokal tulajdonság, 187, 369 Canberra metrika, 83, 84, 85, 310 CANOCO, 242, 274, 275, 351 CANODRAW, 274, 351 Cavalli-Sforza - Edwards távolság, 94, 95 CCA, 230 CCOA, 244 centrálás, 28, 43, 50, 53, 213, 369 centrált PCA, , 256 centroid módszer, 140, 149, 369 Chernoff arcok, 40, 370 city block metrika, 81 Clark koefficiens, 84, 85 CLINCH, 207 CLUSLA, 125 Clymo transzformáció, 47, 49, 56 c-közép módszer, 127 COA, 237 COMPCLUS, 124, 125, 132 COMPONENT, 207 CONISS, 170 COR, 230 Cramér index, 75, 111, 286, 312 CVA, 257 Czekanowskiindex, 82, 83, 86 Cs csillagdiagram, 40 csoportátlag eljárás, , 374 csökevényes szervek, 185 Csuprov formula, 111 D Day-féle szigma, 313, 314 DCA, 242 DECORANA, 240, 275 definit, 362 deformáció, 271, 272 DELTRAN, 191, 372 dendrogram, , 163, 296, 302, 308, , , 340, 372 dendrogram deszkriptorok, 316, 317 dendrogramok száma, 172 determináns, determináns hányados, 260 deviancia index, 101 diadikus szorzat, 358 diagonális mátrix, 356 Dice index, 39 dichotómia, 139, 175 dimenzionalitás, 211, 212, 216 direkt grádiens elemzés, 228 diszkrét alapsokaság, diszkriminancia elemzés, 7, 16, , 287, lépcsõzetes, 382 diszkriminináns súlyok, 258 diszperziós mátrix, 257 diverzitás, 31, béta, 227, 252, 255, faj/egyed, 13, 21, fajkombinációs, 21, 22, 31 divizív osztályozás, 140, , 285, 291 DNAML, 202 DNAPARS, 196 Dollo tulajdonság, 187, 373 Domin skála, 26 dupla abszencia, 64, 65, 373 durchschnitt konszenzus, 337 E EFA, 269 egyezés, 142, 383 egyezésigráf, 143 egyezésikoefficiens, 65, 66, 67, 74, 77, 311, 381 egypólusú tengely, 383 egységmátrix, 356 egyszerû átlag, , 381 egyszerû lánc módszer, 132, , 161, 381 egyszerû rangsor, 280, 284, 285 együttes szórásdiagram, 375 eliminációs rangsor, Ellenberg index, 84 elliptikus Fourier elemzés, 269 eloszlás, 30, 43, 56, , khi-négyzet, 101, normális, 30, 42, 48, 56, 225 elõmintavétel, 21 elõzetes rangsorolás, 280 eltérésnégyzet-összeg, 102, 103, 127, , 156, 160, 166, 224, 291, 292, 375 eltérésszorzat-összeg, 88 energiamátrix, 271 entrópia, 95, 103, 128, 129, 153, 287, 292, 293, 373 entrópiacsökkenés, 158, 160 EU, 174, 373 euklidészi biplot, 220, 373 euklidészi távolság, 27, 59, 60, 61, 63, 66, 67, 81, 84, 163, 250, 309, 310, 311, 360 euklidészi tér, 61, 62, 110 evolúciós egység, 174 evolúciós óra, 178 evolúciós távolság, 77 É él, 373, 378 élegyezésiindex, 319 élek összhossza, élek súlyozása, 319 F FA, 228 fa elágazása, 178 Fager index, 73 fa-gráfok, 139, 174, 175, 383 fa hossza, 190, 194 Faith-féle átmeneti index, 84, 90, 111 Faith index, 67, 71 faj/környezet korreláció, 245 faktoranalízis, 228, 229, 273, 373 faktorsúly, 229 felosztás, 379 felszeletelés, 114, 372 fenetika, 169, 379 ferdeszögû koordináta-rendszer, 97, 98 félig szoros konszenzus fa, 336 F-hányados, 262, 264, 286 FITCH, 182 Fitch-Margoliash módszer, 181 Fitch tulajdonság, 186, 190, 209, 374 flexibilis osztályozás, 150, 153, 374 folytonos alapsokaság, 14-16
3 Tárgymutató 409 fossziliák, 184 Fourier elemzés, , 374 fõfaktor módszer, 229 fõkomponens-elemzés, 7, 32, , 230, 241, 257, 266, 272, 273, 282, 287, 297, 379 fõkomponens súlyok, 217 fõkoordináta módszer, 157, , 277 fõtorzulások, 272, 379 FTP, 353 fuzzy halmazok, 127, 276, 374 fuzzy osztályozás, 113, , 171, 286 függetlenség, 363, 375 G Garcia-Proth kritérium, 295 genetikai algoritmus, 134 genetikai távolság, 91-95, 374 geodéziai távolság, 84, 85, 374 Gleason index, 84, 87 globális optimalizálás, 154, 155 Goodman-Kruskal gamma, 80 Goodman-Kruskal lambda, 75, 76, 312, 313 Gopher, 353 Gower index, 74, 101, 102 grafikus összehasonlítás, 310, 318, grádiens elemzés, 226, 227, 254, 275, 374 groundplan/divergence, 188, 189 Gy gyors particionálás, , 171 gyökeres fa-gráf, 139, 175, 381 gyökér nélkülifák, 178, 193, száma, 193 H halmozás, 370 Hamann index, 67, 70 Hamming távolság, 76 harmonikus analízis, 267 hasonlóság, 63, 64, 381 hasonlóságihányados, 84, 89, 310 hatványozás, 47 háromszög-diagram, 131, 382 háromszög-egyenlõtlenség, 60, 383 háromutas táblázat, 278, 383 háztömb-távolság, 81, 370 HENNIG, 207 heterogenitás, , 151 heurisztikus módszer, 194 hiányzó adatok, 27, 28, 101, hierarchia, exkluzív, inkluzív, 137 hierarchikus konszenzus, 333, 334 hierarchikus osztályozás, , 286, 289, 291, 374 hierarchikus szint, 138, 139, 328 Hillis távolság, 93 hipotézisvizsgálat, 306, hisztogram, 30, 41 holofiletikus, 176, 374 homogenitás,102 homogenitás optimalizálás, 141, homológia, 186, 265, 267 homoplázia, 186, 188, 197, 198, 375 Horn formula, 95, 310 Hotelling-féle T, 260 HTU, 175, 375 húrtávolság, 67, 73, 84, 105, 310, 370 I idempotens mátrix, 359 identifikáció, 114 illesztett komponens-érték, 221 immunológiai adatok, 180, 181, 349 incidencia mátrix, 311 index-független partíció, , 286 indirekt grádiens elemzés, 227 INDSCAL, 278 Internet, 353 intervallumskála, 25, 26, , 375 invariánsok, 200 inverz mátrix, 362, 363 iránycosinus, 214, 220 irreverzibilis tulajdonság, 186 ISODATA, 119 iteratív fa-átrendezés, 195 iteratív módszer, 116, 117, 194, 237, 244 izodenzitási kör, 262 J Jaccard index, 27, 67, 72, 90, 311 jackknife, 287, 375 jósági kritérium, 116, 120 Jukes - Cantor evolúciós távolság, 77, 105 K Kaiser kritérium, 216 kanonikus korreláció, 239, 240 kanonikus korreláció elemzés, , 261, 273, 287, 369 kanonikus korreszpondencia elemzés, , 273 kanonikus tengely, 260, 369 kanonikus változók, 230, 233, 234, 257, 258, , 369 karakterállapot, 370 karakter evolúció, 183 karakterisztikus egyenlet, 365 karakter kompatibilitás, 199, 200, 369 karakter polaritás, 184 kemény partíció, 116 Kendall/Renkonen index, 84, 90, 111 Kendall tau, 78, 79 kereszt-partíciók, 292, 311, 312 keresztszorzat, 88, 121, 224, 257, 281 kettõs centrálás, 53 kettõs szórásdiagram, 368 kevert adatok, 27, 101, 102, képes ábrázolások, 40, 41 kétpólusú tengely, 368 kétutas összevonás, 290 khi-négyzet, 69, 75, 158, 240, 244, 284, 285, 287, 288, , 370 khi-négyzet távolság, 84, 88, 241, 243 kiegyengetés, 372 kladisztika, 8, 29, 33, 34, 169, , 272, 370 kladogram, 139, 174, , 286, , 328, 329, 343 kládok, 176 Kleiner-Hartigan-féle fa, 41, 375 k-közép osztályozás, , 121, 122, 286 k-medoid, 134 koefficiens, 370 kofenetikus differencia, 316, 317, 372 kofenetikus korreláció, 164, 372 kofenetikus szint, 328, 372 kohézió, 115, 117, 120, 154 kollinearitás, 370 kombinatorikus módszerek, , 370 kommunalitás, 229, 262, 371 komparatív fügvények, 107, 380 kompatibilitás elemzés, 199, 200 komplex összehasonlítás, 308, 318
4 410 Tárgymutató komponens 1) 212, 216, 371 komponens 2) 204, 205, 371 komponens korreláció, 216, kovariancia, 216, 217, 218, 221 koncentráció-elemzés, 294, 303 konfidencia-kör, 262 kongruencia, 308 konstansok, 28, 29 konszenzus, 306, , 344, 371 konszenzus fák, , 343, 344 konszenzus indexek, 337, 371 konszenzus ordináció, 338, 339 konszenzus partíció, kontingencia együttható, 111 kontingencia-táblázat, 27, 64, 75, 158, 285, 292, 372 kontinuitás elemzés, 256 kontinuum 14, 20, 276 kontúr diagram, 138 kontúr-elemzés, kontúrvonal, 265, 378 konvergens evolúció, 186 konvex burok, 341, 372 konzisztencia index, 197, 198, 286 korreláció, 28, 39, 63, 67, 69, 89, 98, 164, 212, 222, 228, 231, 233, 255, 281, 284, 309, 372 korreszpondencia elemzés, 32, , 273, 277, 287, 294, 297, 372 kovariancia, 63, 88, 214, 281, 284, 372 kölcsönös információ, 104, 158, 283 körvonalak, kötött blokk-osztályozás, 294 kötött ordináció, 236, 371 kötött osztályozás, 159, 160, 371 közelség, 380 kulcspont, 265, 268, 270, 375 Kulczynskiindex, 67, 69, 73, 74, 84, 87 külcsoport, 180, 184, 378 különbözõség, 62, 103, 372 kvadratikus alak, 61, 359 kvadrát, 21, 22, 30, 31, 36 L Lake módszere, 200, 201 lambda flexibilis osztályozás, 153 lágy osztályozás, , 314, 315, 328, 333, 374 lánchatás, 144, 150, 369 LDFA, 257 leállásiszabály, 128, 382 legkisebb négyzetek, 181, legközelebbipár algoritmus,142 legközelebbiszomszéd felcserélésimetrika, 319 legközelebbiszomszéd módszere, 143, 337 legrövidebb út szerinti kiigazítás, 251, 252 legtávolabbiszomszéd módszere, 145 lejtõdiagram, 216, 381 lineáris függetlenség, 363 lineáris kombináció, 215, 244, 363, 366 lineáris regresszió, 28 lineáris standardizálás, 43 lineáris transzformáció, 46 LNMDS, 256 logaritmikus transzformáció, 46, 47, 56 lókusz, 91, 92 M MacClade, 196, 206, 207, 354 Mahalanobis biplot, 221, - távolság, 96-98, 260, Manhattan metrika, 81, 84, 85, 91, 277, 310 MANOVA, 5, 257, Mantel teszt, 325, 326, 342, Marczewski - Steinhaus index, 84, 86 maximum likelihood, 201, 202, mátrix, 37, , mátrix árnyékolás, 296, 297, 300, 301 mátrix diagram, 310, mátrixfelbontás, mátrixkorreláció, 309, 320, 329, mátrixmûveletek, mátrix nyoma, 357 mátrix összehasonlítások, , 316, , 339, 343 mátrixszorzat, 358 mátrix típusa, 355 MDA, 257 medián konszenzus, 333, 336, medián módszer, 150 mesterséges korreláció, 382 mesterséges organizmusok, 209, 210 meta elemzés, 306, 308, 320, metrika, , 163 metrikus axiómák, 60, 62, 247 metrikus többdimenziós skálázás, metszéses konszenzus, 337 mérõpont, 43, 265, 270 minimális feszítõfa, 161, 162, 250, 341 minimumok eloszlása, 331 Minkowski formula, 81, 82 minta, 12, 381 mintanagyság, 15, 16, 31, 381 mintavételezés, 11-23, 31, 33, 36 - beágyazásos, 17 - félig szabályszerû, 19, 20 - rétegzett véletlen, 17, 18, 20 - szabályos, 18, 19 - számítógépes, 31, 32 - véletlen, 16, 18 mintavételi egységek, 13, 14, 15, 38, alakja, 22, 23, 31, 33, 35 - elrendezése, 16, 31, 32 - irányultsága, 23 - kiválasztása, 16, 35 - mérete, 20-22, 30, 33, 35 - száma, 15 mintavételi intervallum, 18, 19 - keret, 16 mintázatelemzés, 5, 14, 15, 19, 21, 31, 36 mintázat-felismerés, 114 MIX, 195 monofiletikus, 176, 177, 377 monotetikus, 140, , 377 monoton regresszió, 253 Monte Carlo szimuláció, 306, , 329, 377 morfometria, 43, , 377 Mountford index, 67, 74 multikollinearitás, 377 MULTI-PATTERN, 32 MULVA, 275, 353 N Needleman-Wunsch módszer, 76 negatív adatok, 28, 29 Nei-féle genetikai távolságok, nem-centrált PCA, 224, 250 nem-hierarchikus osztályozás, nem-lineáris transzformáció, 46 nem-metrikus ordináció, 7, nem-tervezett össze-hasonlítások, 307, 331, 383 Netscape, 353 négy-pont feltétel, 163, 182, 343, 374
5 Tárgymutató 411 négyzetes mátrix, 356 négyzetgyök-transzformáció, 48 niche-átfedés, 95, 105 niche-szélesség, 95 NMDS, 252 nominális skála, 24, 65, 74-77, 246, 377 normalizálás, 46, 56 normálás, 46, 53, 231, 359 normált Canberra metrika, 84 NP-teljes problémák, 194, 209 NT-SYS, 55, 106, 143, 170, 275, 342, 351 NuCoSA, 55, 106, 170, 274, 275, 353, 354 nukleinsav szekvenciák, 76, 77, 105, 177, 196, , 209 numerikus szüntaxonómia, 169 numerikus taxonómia, 169, 378 O objektumok fontossága, 293, 303 Ochiai index, 72, 311 ontogenezis, 185 optimális osztályszám, ORDIFLEX, 275 ordináció, 8, 131, 157, 162, , 287, 297, 304, , 330, 331, 341, 378 ordinális skála, 25, 26, 77-80, 186, 378 ortogonalitás,214, 229, 258, 360 ortonormalitás, 360 osztályba-tartozásidivergencia, 316, 370 osztályba-tartozásisúly, 127,128 osztályozás, 8, , hierarchikus, nem -hierarchikus, OTU, 34, 174, 305, 378 OUC, , 378 Ö összehasonlításialapegység, 305 összehasonlítások, páronkénti, 308 összemérhetõség, 29, 371 összetartásiindex, 198, 286, 381 P PAIRBONDS, 311 Pandeya koefficiens, 84, 88 PARAFAC, 278 parafiletikus, 176, 177, 378 paraméter, 5, 13 parallel evolúció, 185, 186 parszimónia, 177, 188, 189, 200, 206, 378 particionálás, , 166 partíció, , 172, 286, , 326, 327, partícióba-tartozási divergencia, 317, 379 partíciós koefficiens, 128 partíciós metrika, 319 patkó jelenség, , 242, 243, 246, 251, 277, 375 patrisztikus távolság, 162, 181, 183 PAUP, 207, 342 PCA, 212 PCO, 247 PCoA, 247 PC-ORD, 301 PCP, 212 Penrose koefficiensek, 96 peremhatás, 16, 17 permutációs teszt, , 330 PHI koefficiens, 27, 69, 75 PHYLIP, 10, 178, 182, 195, 196, 202, 207, 342, 351, 354 Pinkham - Pearson index, 84, 87 plexusgráf, 303, 304, 379 pleziomorfia, 184, 186, 379 polárordináció, 275, 379 polifiletikus, 176, 177, 379 polimorf karakter, 187, 379 polinomiális ordináció, 227, 379 politetikus, 140, 156, 157, 379 politómia, 139, 175 POLYDIV, 157 prediktabilitási index, 75, 76, 313 preferenciális mintavétel, 13, 34, 35 Prevostitávolság, 92 prezencia/abszencia adatok, 21, 26, 31, 63-74, 104, , 291, 295 Prokrusztész elemzés, 270, , 330, 338, 343, 380 protein szekvenciák, 209 PROTPARS, 209 Q Q-típusú elemzés, 39, 380 R RA, 237 Rand index, 311 randomizációs teszt, 324, 329, 373, 380 rang, 216, 363 rang korreláció, 78, 165, 380 rangsoroló módszerek, 168, rács, 19, 31, 374 rádiuszfüggvény, 266, 350 RDA, 236 reciprok átlagolás, 237, 244, 297, 299, 380 reciprok pár algoritmus, 142 redundancia, 235 redundancia elemzés, 236, 380 rekonstrukció, 190, 380 relatív torzulások, 272, 380 rendezetlen karakter, 186, 383 rendezett karakter, 186, 378 rendstatisztika, 77 Renkonen index, 90 reprezentativitás, 13, 34 reverzibilis karakter, 187 részfába-tartozásidivergencia, 317, 318, 382 részleges blokkok, 290, 291 rétegzett mintavétel, 17, 18, 20 Robinson tulajdonság, 299, 301 robusztusság, 30, 98, 252, 381 Rogers - Tanimoto index, 27, 66, 67, 74 Rogers távolság, 91 Rohlf-biplot, 221 rotációs diagram, 42 R-típusú elemzés, 39, 381 Russell-Rao index, 67, 72, 105 Ruzicka index, 87, 310 S sajátérték, 214, 231, 232, 240, 250, 259, 365, 366, 373 sajátvektor, 214, 231, 365, 366, 373 Schoener index, 95 Shepard diagram, 253, 254, 256, 381 Simpson index, 74 skalár, 356 skalárszorzat, 358 skálafüggés, 30 skálatípusok, Sokal-Sneath index, 67, 73, 74 Sorensen index, 27, 39, 67, 72, 86, 311 Spearman rho, 78 spektrálfelbontás, 366 SSCP, 382 stabilitás, 165, 382 standardizálás, 239, objektumok, 50-53
6 412 Tárgymutató - változók, 28, 29, 43-46, 110 standardizált PCA, Statistica, 10, 55, 106, 132, 170, 274, 301, 302, 351 Stirling formula, 133, 292 stressz, 134, 165, 253, 254, 255, 382 súlyozás, 29, 43, 45, 384 súlyozott átlagolás, 237, 384 súlyozott fa, 384 súlypont, 117, 127, 128, 149, 262, 369 súlypont módszer, 369 SYN-TAX, 32, 55, 105, 106, 132, 170, 274, 275, 301, 302, 328, 342, Sz számítógépes mintavétel, 31, 32 százalékos különbözõség, 86 szegélyhatás, 22 szegregáció, 115, 117, 120, 154 szekvenciák, 76, 77, 105 szemidefinit, 63, 362 szeparálódásiegyüttható, 130 szeriálás, , 322, 381 szigma-metrika, 313, 314 szignifikancia, 30, 32, 165, 231, 232, 260, 323, 344 szimmetriaaxióma, 60 szimmetrikus mátrix, 357, 365 szingularitás, 362 szingulárisérték-felbontás, 221, 366 szoftverek, szomszéd összevonás módszere, 178, 179, 377 szomszédságifeltétel, 298 szoros konszenzus, 332, 333, 335, 382 szórás, 45, 46 szórásdiagramok, 41 szögeltérés, 84, 85 szögpont, 161, 383 sztratigráfiai karakter, 188 szukcesszív approximáció, 36 szuperpozíciós módszerek, 270 szümpleziomorfia, 184, 382 szünapomorfia, 184, 198, 382 T TABORD, 301 tág konszenzus, 332 tájékozódásipont, 265 távolság, 8, 59, 60, 98, 102, 372 távolságátlag, 103, 120, ok hányadosa, 120, 154 távolságoptimalizálás, 141, teljes lánc módszer, 144, 145, 371 teljes leszámlálás, 12, 193, 371 terjedelem, 45, 46, 51, 380 tervezett összehasonlítások, 307, 379 testvércsoport, 176 térsorok, 30, 31, 56, 110, 135, 172, 277, 343, 381 topológiai differencia, 316, 318, 383 torzítatlanság, 13 torzítás, 164 torzulás, 271, 272 többállapotú karakter, 24 többcsoportos diszkriminancia elemzés, 377 többdimenziós skálázás, , 377 többségikonszenzus, 333, 336, többszörös korreláció, 285, 377 többszörös összehasonlítás, 306, 377 töbeltérõ betûtípus particionálás, többszörös regresszió, 5, 215, 244, 377 többváltozós varianciaelemzés, 5, 257 tpssplin, 275 tpsrelw, 275 transzszekt, 19, 383 transzformáció, 43, 46-50, 383 transzformációs metrikák, 313 transzformált kladisták, 207 transzponált mátrix, 357 transzverzió, 197, tranzíció, 77, 197, TRGRPS, 132 TWINSPAN, 157, 170, 295, 297, 301 U ultrametrika, 140, 157, 163, 164, 383 ultrametrikus különbözõség, 319 uniform alakváltozás, 271, 383 unimodális trend, 243 UPGMA, 145, 374 UPGMC, 149, 369 Uppsala koefficiens, 84, 90, 91 utazó ügynök, 299, 303 utólagos rangsorolás, 285 Ú újramintavételezés, 32, 380 úthossz, 317, 378 V validitás, 165 valószínûségi ellipszis, 341, 380 valószínûségihasonlóság, 100, 105, 379 variancia, 13, 14, 21, 103, 215, 219, 230, 234, 259, 284,, 383 változók fontossága, 286, 287, rangsorolása, , száma, 15, 16, 210 várható értékek, 323 várható hasonlóság, 21, 22 vektorok, 355, 356, 359, hossza, közöttiszög, 359 vezetõ algoritmus, 124, 125, 290 vékonylemezes interpolációs függvény, 271, 382 vikariancia, 203 visszafordulások, 140, 149, 186 W Wagner karakter, 186, 191, 192, 383 Wagner módszer, 183, 383 Whittaker távolság, 110 Wilks-féle lambda, 260, 384 WPGMA, 148, 381 WPGMC, 150, 377 Y Yule indexek, 27, 67, 69, 70 Z Zahn-Roskies alakfüggvény, 268, 269 zaj, 377 zaj-elemek, 162, 295, 378 záródás, 277, 370 zérusmátrix, 357
Tárgy- és névmutató. C Cox & Snell R négyzet 357 Cramer-V 139, , 151, 155, 159 csoportok közötti korrelációs mátrix 342 csúcsosság 93 95, 102
Tárgy- és névmutató A a priori kontraszt 174 175 a priori kritérium 259, 264, 276 adatbevitel 43, 47, 49 52 adatbeviteli nézet (data view) 45 adat-elôkészítés 12, 37, 62 adatgyûjtés 12, 15, 19, 20, 23,
Eredmények összehasonlító értékelése
9 Eredmények összehasonlító értékelése (Nincs megállás!) Osztályozások, ordinációk és más eredmények elõállításával rendszerint nem fejezõdik be többváltozós adataink elemzése. Jó néhány okát lehet felsorolni
Az adatmátrix, az adatok átalakítása
2 Az adatmátrix, az adatok átalakítása (Az elsõ bátortalan lépések... de még sok minden rejtve marad) A mintavételezés során, mint láttuk, a mintavételi egységeket változók segítségével írjuk le. A kapott
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
Közösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
Adatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
Több valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
Matematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
c adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
Principal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
Willi Hennig ( )
Objektív módszerek kladisztika Willi Hennig (1913-1976) Grundzüge einer Theorie der Phylogenetischen Systematik (Hennig, 1950). Phylogenetic Systematics (Hennig, 1966) Alapelvei: 1. A fajok közötti kapcsolatok
Diszkriminancia-analízis
Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független
Hierarchikus osztályozás
5 Hierarchikus osztályozás (A természet rendjének keresése) Az objektumok egyszerû felosztásán túlmenõen a klasszifikációtól azt is elvárhatjuk, hogy megmutassa az egyes osztályok között fennálló kapcsolatokat
Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
Angol magyar többváltozós-elemzéstani kisszótár és kislexikon
D függelék Angol magyar többváltozós-elemzéstani kisszótár és kislexikon Ebben a függelékben az angol nyelvû biológiai/többváltozós szakirodalom leggyakoribb szakkifejezéseit gyûjtöttük össze. A megadott
Filogenetikai analízis. Törzsfák szerkesztése
Filogenetikai analízis Törzsfák szerkesztése Neighbor joining (szomszéd összevonó) módszer A fában egymás mellé kerülı objektumok kiválasztása a távolságmátrix értékei és az objektumoknak az összes többivel
Táblázatok átrendezése
8 Táblázatok átrendezése (Áttekinthetõség elsõ látásra) Dendrogramok, kladogramok, háromszög-diagramok, gyökér-nélküli fa-gráfok, komponensek és egyéb tengelyek, és így tovább... Mind megannyi mesterséges,
Kladisztika. (A veszekedõsek tudománya)
6 Kladisztika (A veszekedõsek tudománya) Az elõzõ két fejezettel korántsem zárhatjuk le a biológiai osztályozás tematikáját. Az eddig ismertetett módszerek a biológia objektumain kívül akár cserépedények,
Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
Segítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
Több mint egy változót jegyzünk fel a megfigyelési egységekről (objektumok).
Többváltozós problémák Több mint egy változót jegyzünk fel a megfigyelési egységekről (objektumok). Volt: Több magyarázó változó: többszörös regresszió, több faktoros ANOVA, ANCOVA. Most: több független
Módszertani hozzájárulás a Szegénység
Módszertani hozzájárulás a Szegénység Többváltozós Statisztikai Méréséhez MTA doktori értekezés főbb eredményei Hajdu ottó BCE KTK Statisztika Tanszék BME GTK Pénzügyek Tanszék Hajdu Ottó 1 Egyváltozós
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
A növények természetrajza A növények okai 10, ill. 8 kötetben (9, ill. 6 maradt)
2 Theophrasztosz (Kr.e. 371-287) a Botanika atyja A növények természetrajza A növények okai 10, ill. 8 kötetben (9, ill. 6 maradt) Növények osztályozása: felhasználás, előforduás, méret, szaporodás. fák,
Tantárgy kódja Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2
Tantárgy neve Alkalmazott matematika II. Tantárgy kódja MT003 Meghirdetés féléve 3 Kreditpont 4 Összóraszám (elm+gyak) 2+2 Számonkérés módja gyakorlati jegy Előfeltétel (tantárgyi kód) MT002 Tantárgyfelelős
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet
Klaszteranalízis Hasonló dolgok csoportosítását jelenti, gyakorlatilag az osztályozás szinonimájaként értelmezhetjük. A klaszteranalízis célja A klaszteranalízis alapvető célja, hogy a megfigyelési egységeket
Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István
Sajátértékek és sajátvektorok A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris transzformáció Vektorok lineáris transzformációja: általános esetben az x vektor iránya és nagysága
STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
A preferencia térképezés kritikus pontjai az élelmiszeripari termékfejlesztésben
A preferencia térképezés kritikus pontjai az élelmiszeripari termékfejlesztésben Gere A., Losó, V., Györey, A., Szabó, D., Sipos, L., Kókai, Z. Budapesti Corvinus Egyetem, Élelmiszertudományi Kar Érzékszervi
Statisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
Opponensi vélemény. Dr. Botta-Dukát Zoltán. Cönológiai adatbázisok alkalmazása a vegetációkutatásban: Módszerfejlesztések és esettanulmányok
Opponensi vélemény Dr. Botta-Dukát Zoltán Cönológiai adatbázisok alkalmazása a vegetációkutatásban: Módszerfejlesztések és esettanulmányok c. doktori disszertációjáról Az adatbázisok fontos szerepet játszanak
ANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26
ANOVA,MANOVA Márkus László 2013. március 30. Márkus László ANOVA,MANOVA 2013. március 30. 1 / 26 ANOVA / MANOVA One-Way ANOVA (Egyszeres ) Analysis of Variance (ANOVA) = szóráselemzés A szórásokat elemezzük,
Többváltozós lineáris regresszió 3.
Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,
STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
GEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet
Regressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
Adatbányászat: Adatok. 2. fejezet. Tan, Steinbach, Kumar Bevezetés az adatbányászatba
Adatbányászat: Adatok 2. fejezet Tan, Steinbach, Kumar Bevezetés az adatbányászatba előadás-fóliák fordította Ispány Márton Logók és támogatás A tananyag a TÁMOP-4.1.2-08/1/A-2009-0046 számú Kelet-magyarországi
A leíró statisztikák
A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az
GEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA II. Geográfus MSc szak 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy adatlapja Tantárgy neve:
Záróvizsga tételek matematikából osztatlan tanárszak
Záróvizsga tételek matematikából osztatlan tanárszak A: szakmai ismeretek; B: szakmódszertani ismeretek Középiskolai specializáció 1. Lineáris algebra A: Lineáris egyenletrendszerek, mátrixok. A valós
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
MINTAVÉTELEZÉS. Alaptípusai: sampling. véletlen érvényesítésére v. mellőzzük azt. = preferenciális mintav. = véletlen mintav.
A teljes alapsokaságot nem ismerhetjük meg. MINTAVÉTELEZÉS Fontossága: minden későbbi értékelés ezen alapszik. Alaptípusai: Szubjektív folyamat Objektív folyamat (non-probabilistic) (probabilistic) sampling
Fogalom 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
Faktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Feladat Megnyitás: faktor.sav Fogyasztók materialista vonásai (Richins-skála) Forrás: Sajtos-Mitev, 250.oldal Faktoranalízis
Matematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
Egyszempontos 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
Faktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben = Adatredukciós módszer Petrovics Petra Doktorandusz Feladat Megnyitás: faktoradat_msc.sav Forrás: Sajtos-Mitev 250.oldal Fogyasztók materialista vonásai (Richins-skála) Faktoranalízis
A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
1 Lebegőpontos számábrázolás
Tartalom 1 Lebegőpontos számábrázolás... 2 2 Vektornormák... 4 3 Indukált mátrixnormák és tulajdonságaik... 5 4 A lineáris rendszer jobboldala hibás... 6 5 A kondíciószám és tulajdonságai... 7 6 Perturbációs
A jelen megértése a múlt ismerete nélkül lehetetlen
4 A jelen megértése a múlt ismerete nélkül lehetetlen Megismerhető-e a múlt? Diakrón fa - megismerhetetlen Madarak Emlősök Akrón fa fokozatokra, nagy léptékben Aszinkrón fa ős-leszármazott viszonyok összemosódnak
Totális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért november 15.
Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért 2018. november 15. PÉNZ a boldogság bitorlója? A jövedelemegyenlőtlenség természetes határa A boldog ember gondolata a
Lin.Alg.Zh.1 feladatok
LinAlgZh1 feladatok 01 3d vektorok Adott három vektor ā = (0 2 4) b = (1 1 4) c = (0 2 4) az R 3 Euklideszi vektortérben egy ortonormált bázisban 1 Mennyi az ā b skalárszorzat? 2 Mennyi az n = ā b vektoriális
Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
Korreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
Matematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
Numerikus matematika vizsga
1. Az a = 2, t = 4, k = 3, k + = 2 számábrázolási jellemzők mellett hány pozitív, normalizált lebegőpontos szám ábrázolható? Adja meg a legnagyobb ábrázolható számot! Mi lesz a 0.8-hoz rendelt lebegőpontos
10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak
10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:
Idősorok elemzése. Salánki Ágnes
Idősorok elemzése Salánki Ágnes salanki.agnes@gmail.com 2012.04.13. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1 Idősorok analízise Alapfogalmak Komponenselemzés
[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
[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
Numerikus módszerek 1.
Numerikus módszerek 1. Tantárgy kódja: IP-08bNM1E, IP-08bNM1G (2+2) Az elsajátítandó ismeretanyag rövid leírása: A lebegıpontos számábrázolás egy modellje. A hibaszámítás elemei. Lineáris egyenletrendszerek
Klaszterelemzés az SPSS-ben
Klaszterelemzés az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Klaszteranalízis Olyan dimenziócsökkentő eljárás, amellyel adattömböket megfigyelési egységeket tudunk viszonylag homogén
Nagy-György Judit. Szegedi Tudományegyetem, Bolyai Intézet
Többváltozós statisztika Szegedi Tudományegyetem, Bolyai Intézet Többváltozós módszerek Ezek a módszerek több változó együttes vizsgálatára vonatkoznak. Alapvető típusaik: többdimenziós eloszlásokra vonatkozó
5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
Numerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok
Numerikus matematika Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, 2007 Lebegőpontos számok Normák, kondíciószámok Lineáris egyenletrendszerek Legkisebb négyzetes
Vektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból 2016 / tanév
9. évfolyam I. Halmazok Osztályozó- és javítóvizsga témakörei MATEMATIKA tantárgyból 2016 / 2017. tanév 1. Halmaz, részhalmaz fogalma, részhalmazok száma, jelölések 2. Intervallumok 3. Halmazműveletek
YBL - SGYMMAT2012XA Matematika II.
YBL - SGYMMAT2012XA Matematika II. Tantárgyfelelős: Dr. Joós Antal Tárgyelőadó: Dr. Joós Antal Tantárgyi leírás Oktatási cél: Azoknak a matematikai alapoknak a megszerzése, melyek a szaktárgyak elsajátításához
1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb
Vektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
y ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
Eloszlás-független módszerek 13. elıadás ( lecke)
Eloszlás-független módszerek 13. elıadás (25-26. lecke) Rangszámokon alapuló korrelációs együttható A t-próbák és a VA eloszlásmentes megfelelıi 25. lecke A Spearman-féle rangkorrelációs együttható A Kendall-féle
Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
Klaszterelemzés az SPSS-ben
Klaszterelemzés az SPSS-ben Petrovics Petra Doktorandusz Klaszteranalízis Olyan dimenziócsökkentő eljárás, amellyel adattömböket megfigyelési egységeket tudunk viszonylag homogén csoportokba sorolni, klasszifikálni.
STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
Lineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
Izgalmas újdonságok a klaszteranalízisben
Izgalmas újdonságok a klaszteranalízisben Vargha András KRE és ELTE, Pszichológiai Intézet Vargha András KRE és ELTE, Pszichológiai Intézet Mi a klaszteranalízis (KLA)? Keressük a személyek (vagy bármilyen
STATISZTIKA. 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
Nemkonvex kvadratikus egyenlőtlenségrendszerek pontos dualitással
pontos dualitással Imre McMaster University Advanced Optimization Lab ELTE TTK Operációkutatási Tanszék Folytonos optimalizálás szeminárium 2004. július 6. 1 2 3 Kvadratikus egyenlőtlenségrendszerek Primál
Standardizálás, transzformációk
Standardizálás, transzformációk A transzformációk ugynúgy mennek, mint egyváltozós esetben. Itt még fontosabbak a linearitás miatt. Standardizálás átskálázás. Centrálás: kivonjuk minden változó átlagát,
Gyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
Hátrányok: 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
Tanmenet a évf. fakultációs csoport MATEMATIKA tantárgyának tanításához
ciklus óra óra anyaga, tartalma 1 1. Év eleji szervezési feladatok, bemutatkozás Hatvány, gyök, logaritmus (40 óra) 2. Ismétlés: hatványozás 3. Ismétlés: gyökvonás 4. Értelmezési tartomány vizsgálata 2
Osztályozó- és javítóvizsga. Matematika tantárgyból
Osztályozó- és javítóvizsga Matematika tantárgyból 2018-2019 A vizsga 60 perces írásbeli vizsga (feladatlap) a megadott témakörökből. A megjelölt százalék (50%) nem teljesítése esetén szóbeli vizsga is,
LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
Adaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
Adatbányászat: Adatok. 2. fejezet. Tan, Steinbach, Kumar Bevezetés az adatbányászatba
Adatbányászat: Adatok 2. fejezet Tan, Steinbach, Kumar Bevezetés az adatbányászatba előadás-fóliák fordította Ispány Márton Tan,Steinbach, Kumar Bevezetés az adatbányászatba Fordító: Ispány Márton 1 Az