MATEMATIKAI STATISZTIKA elemei
|
|
- Brigitta Soós
- 7 évvel ezelőtt
- Látták:
Átírás
1 MATEMATIKAI STATISZTIKA elemei Dr. Kausay Tibor Budapest, 01. február 1
2 [tömeg%] PÉLDA A gyakoriságfüggvény szerkesztésére
3 Ez nem egy jól sikerült gyakorisági hisztogram, mert az abszcissza tengely xi+1 xi osztásközeit túl kicsire vettem fel. xi+1 xi xi +1= = x 3 xi k
4 Az x abszcissza tengely felosztására nincs pontos szabály, de az osztáspontok megválasztása általában akkor szerencsés, ha minden x i+1 x i intervallumba körülbelül 3 n mintaelem jut, ahol n a mintaelemek száma. Példánk esetén az elemek száma n = 10, és ideális esetben 3 3 n = 10 = 154, elem jut egy intervallumba. A 19,0 15,5 = 3,5 terjedelmet tehát n/,154 = 10/,154 = = 4,6 ~ 5 intervallumra a legcélszerűbb osztani. Ehhez igazodva az új ábrán 7 darab x i+1 x i = 0,5 terjedelmű intervallumot alkalmaztunk. 4
5 k Várhatóérték = átlag = 17,17 Szimmetrikus görbe Szórás = 0, Gyakorisági hisztogram Gyakorisági polinom Gyakorisági görbe x Ez a gyakorisági hisztogram már jobban néz ki, mert az abszcissza 5 tengely xi+1 xi osztásközei nagyobbak, mint az előző ábrán voltak.
6 Ez az ábra a gyakorisági ábra felülnézeteként értelmezhető. Az ábra nagyon jól szemlélteti, hogy a mérési eredmények elhelyezkedése az abszcissza tengelyen nem szimmetrikus. 6
7 Ez az ábra is a gyakorisági ábra felülnézeteként értelmezhető Max. Medián Terjedelem Gyakoriság, k Felső, 75 %-os kvantilis Ide esik a mérési eredmények 50 %-a Alsó, 5 %-os kvantilis Min. Medián = Az 50 %-os kvantilis neve, illetve értéke. A páratlan számú rendezett minta 7 esetén a középső elem értéke, a páros számú esetén a két középső elem átlagértéke.
8 Ha a k tapasztalati gyakorisági értékeket elosztjuk a mintaelemek n számával (ez példánk esetén n = 10 volt), akkor a p = k/n tapasztalati relatív gyakoriságokat kapjuk. Az ordináta tengelyre a p = k/n tapasztalati relatív gyakoriságokat felrakva a tapasztalati eloszlásfüggvényre, más néven tapasztalati sűrűségfüggvényre (p ) jutunk. A sűrűségfüggvény alatti terület értéke 1,0, vagy százalékban kifejezve 100 %. A p sűrűségfüggvény egyes x i abszcissza értékeitől balra vett görbe alatti területek értékét koordinátarendszerbe felhordva a (tapasztalati) p eloszlásfüggvényt kapjuk. 8
9 Eloszlásfüggvény és jellemzői (az MSZ :1981 szabvány szerint) kőanyag szemhalmazok esetén általában adalékanyagok esetén 9
10 Valahol olvastam: A brüsszeli városvezetés a Brüsszelben élő Carl Friedrich Gauss német matematikust felkérte arra, hogy végezzen matematikai módszerrel lakossággal kapcsolatos felmérést. Könnyen lehetséges az, hogy a világ első ilyen felmérése született Gauss módszerével, és talán Brüsszel városa volt az első, aki megbízást adott a tudományos megalapozottságot igénylő munkára. Gauss Brüsszel lakosait kirendeltette a templom előtti térre, és ott a toronyból irányítva nagyságrend alapján rendezte őket, mégpedig úgy, hogy középen a legmagasabbak és két oldalra csökkenő magasságúakat állította. Így alakult ki a Gauss görbe, mely harang alakú. Ebből a görbéből számításokkal meghatározta, hogy a lakosságnak hány %-a nagyon alacsony, alacsony középméretű, magasabb és igen magas. 10
11 Carl Friedrich Gauss német matematikus portréja (Gottlieb Biermann festménye, 1887) Született: Német-római Birodalom, Braunschweig-Lüneburgi hercegség, Braunschweig, április 30. Meghalt: Hannoveri Királyság, Göttingen, február 3. Forrás: Wikipédia 11
12 A német márkát 001. december 31-én kivonták a forgalomból, mert 00. január 1-én az euro lett a fizetőeszköz Németországban. Tessék megfigyelni a pénzen a Gauss-görbét és egyenletét. Ezt a példányt 001. június 19-én vásároltam az OTP-ben: 1
13 A σ szórás 1,645-szeresét levonva az m várhatóértékből megkapjuk az 5 %-os alsó küszöbértéket 90 % ( jellemző értéket, 1,645 σ karakterisztikus értéket ), amelynél kisebb értékek előfordulásának valószínűsége 5 %. Görbe alatti terület: 0,05 1,0 A Gauss függvény megadásához elég a várhatóérték (m) és a szórás (σ) ismerete. 13
14 14
15 Ha az építőanyagok tulajdonságait valószínűségi változóként fogjuk fel, akkor megfelelőségüket általában az 5 %-os alsó küszöbértékük alapján ítéljük meg. Kérdés, hogy az építőmérnök a valószínűségi eloszlás felső küszöbértékét használja-e a méretezés során? A válasz: Igen. A hatásokat (például szélteher, hóteher, födémek terhe, vízépítésben a legmagasabb vízszint stb.) általában felső küszöbértékükkel szokás figyelembe venni. 15
16 Említettük, hogy a Gauss függvény megadásához elég a várhatóérték (m) és a szórás (σ) ismerete. Az elméleti várhatóérték (m) a Gauss görbe helyét, az elméleti szórás (σ) a Gauss görbe terjedelmét (terpesztését) határozza meg. Sűrűségfüggvény Eloszlásfüggvény 16
17 Néhány fogalom (1) Alulmaradási hányad: Az előzőekben említett görbe alatti terület (0,05, illetve 5 %) neve. Meghatározás: A teljes tételben a megfelelőségi feltételt ki nem elégítő rész részaránya. Alulmaradási tényező: Az előzőekben szerepelt 1,645 vagy más értékű szorzó. Meghatározás: Szorzó, amellyel a szórást megszorozva, és a szorzatot a várhatóértékből (az átlagból) kivonva, a küszöbértékre jutunk. Jele általában: λ n. Ilyen a későbbiekben tárgyalásra kerülő t n Student tényező is. Alulmaradási tágasság: Az alulmaradási tényező és a szórás szorzata. Meghatározás: Az alulmaradási tágasságot a várhatóértékből (az átlagból) kivonva a küszöbértéket (jellemző értéket, karakterisztikus értéket) kapjuk. Más szóval a várhatóérték (az átlag) és a küszöbérték különbsége. Jele a tapasztalati szórás esetén általában: λ 17 n s
18 Néhány fogalom () Valószínűségi változó: A független változó elnevezése a matematikai statisztikában. Jele: ξ (kszi) vagy x Várhatóérték: A tapasztalati átlagnak (számtani középértéknek) megfelelő elméleti fogalom a matematikai statisztikában, tehát a valószínűségi változó várhatóértéke, amely a p gyakoriságfüggvény alatti területnek az ordinátatengelyre vett elsőrendű nyomatéka: Jele: M(ξ) vagy m Átlag (számtani átlag): A várhatóérték elnevezése, ha nem elméleti, hanem tapasztalati érték. A mindennapok gyakorlatából ismert fogalom. Jele például: Szórás: A valószínűségi változó felvett értéke (ξ) és várhatóértéke (M(ξ) vagy m) közötti eltérés négyzetének várhatóértékéből vont négyzetgyök: D( ξ) M ( ξ) = ò ξ p' dξ (( M( ξ) - ξ) i =1 = M ) = Jele: D(ξ) vagy σ A szórás lehet elméleti szórás, vagy tapasztalati szórás. A fenti képlet és 18 jel az elméleti szórás képlete, illetve jele. A tapasztalati szórást s-sel szokták jelölni. n å( m - ξ n i ) x
19 Szórás meghatározása Az elméleti szórást úgy határozzuk meg, hogy 1. minden mérési eredményre (x i ) képezzük a várhatóérték (m) az egyes mérési eredmények (x i ) különbségét: (m x i ), és ezt eltérésnek* nevezzük,. ezeket a különbségeket négyzetre emeljük: (m x ) i, ezek neve eltérésnégyzet*, 3. a négyzet értékeket összegezzük: Σ(m x i ), ezt eltérésnégyzetösszegnek* hívjuk, 4. és az elméleti szórás esetén az eltérésnégyzetösszeget* elosztjuk az n mintaelemszámmal: (Σ(m x i ) )/n, 5. majd a hányadosból négyzetgyököt vonunk: σ n i=1 = å( m - Az elméleti szórás számításának feltétele, hogy n. Megjegyzés: Amit itt eltérés -nek hívunk, azt a regresszió számításnál hiba -nak nevezzük! n x i ) 19
20 A gyakorlatban az n feltétel nem teljesül, az n a gyakorlatban általában egy nagyon kis szám, és ezt a tapasztalati szórás számítása során figyelembe kell venni. Ez úgy történik, hogy az eltérésnégyzetösszeget nem n-nel, hanem (n-1)-gyel kell elosztani, tehát a tapasztalati (empirikus, korrigált) szórás (s) értéke: n å ( x - x ) i s = Mennél kisebb az n értéke, i= 1 annál jobban eltér az n -1 (n-1)/n hányados az 1-től, azaz adott eltérésnégyzetösszeg esetén minél kisebb az n mintaelemszám, a [(n-1)/n] aránynak megfelelően annál nagyobb a tapasztalati szórás (s), és ennek folytán kisebb küszöbérték adódik. Ez már csak azért is így van, mert ha az n értéke csökken, akkor nem csak a szórás (s), hanem az alulmaradási tényező (λ n ) is megnő, és ezáltal az alulmaradási tágasság (λ n s) növekedésének már oka 0 is van.
21 A Gauss-féle sűrűségfüggvény ábrán (emlékeztetésül itt balra látszik lekicsinyítve) bemutatott elméleti törvényszerűségek akkor igazak, ha n, illetve gyakorlatilag több mint 40, azaz n > 40 (n = mintaelem szám). Ha n (azaz n tart a végtelenhez), akkor a gyakorisági hisztogram és a gyakorisági polinom a gyakorisági görbéhez (azaz a gyakorisági hisztogram és a gyakorisági polinom tart a gyakorisági görbéhez); a tapasztalati átlag ( x ) tart az elméleti átlaghoz, amit várhatóértéknek hívunk (m); a tapasztalati szórás (s) tart az elméleti szóráshoz (σ). A laboratóriumi mérési (vizsgálati) eredményekből a tapasztalati átlagot és a tapasztalati szórást tudjuk kiszámítani, ezekből az elméleti átlagra (várhatóértékre) és az elméleti szórásra csak következtetni tudunk, és a mérési eredményekből a küszöbértéket (jellemző értéket, karakterisztikus értéket) a vonatkozó termékszabvány előírása alapján 1 határozzuk meg.
22 Tételezzük fel például, hogy egy hatalmas doboz (mondjuk akkora, mint a Műegyetem aulája) tele van egyforma, de különböző, fekete, fehér színű golyóval (például pingpong labdával), amelyek a hatalmas dobozban véletlenszerűen helyezkednek el, és amelyek arányát nem ismerjük. Vegyünk mintát képzeletben a hatalmas dobozból például egy kis szakajtóval (kenyértészta kelesztésére való fületlen kosárkával), számoljuk meg a mintában lévő fekete és fehér golyókat, és tegyük fel a kérdést: Mi a valószínűsége annak, hogy a mintában lévő fekete és fehér golyók aránya ugyanaz, mint a hatalmas doboz halmazában? Könnyű elképzelni, hogy vizsgálódásunk megbízhatósága annál nagyobb lesz, minél nagyobb a szakajtónk, azaz minél nagyobb a mintában lévő golyók n mintaelem száma. Teljes bizonysággal azonban csak akkor tudnánk a kérdésre válaszolni, ha a hatalmas dobozban lévő valamennyi golyót megvizsgálnánk. A gyakorlatban erre persze nincs lehetőségünk, de az n mintaelemszám növelésére törekednünk kell.
23 A vizsgálati minta n elemszáma a vizsgálatnak nagyon fontos jellemzője, mert jelentősen befolyásolja a vizsgálati eredmények értékelésével végzett termék-minősítés megbízhatóságát. Az n mintaelemszámot a vizsgálati (mérési) eredmények értékelése során a Student-féle eloszlás (nevezik t-eloszlásnak is) alkalmazásával lehet figyelembe venni. A Student eloszlás jellegzetessége, hogy az n mintaelemszámnak is függvénye, és ha n, akkor a Student görbe egyre jobban megközelíti a Gauss görbét, azaz Student görbe Gauss görbe 3
24 A Student-eloszlást William Sealy Gosset (Canterbury, Kent, június 13. Beaconsfield, Buckinghamshire, október 16.) angol statisztikus írta fel, és 1908-ban Student álnéven publikálta. W. S. Gosset 1908-ban W. S. Gosset a híres, 138-ben alapított Winchester College magángimnázium oxfordi kollégiumában kémiát és matematikát tanult, majd 1899-ben az ír Arthur Guinness (175. szeptember január 3.) és fia világhírű dublini sörfőzdéjében helyezkedett el. Itt dolgozta ki matematikai statisztikai módszerét az árpa minőség vizsgálati eredmények megbízhatóságának megítélésére. Minthogy korábban egy másik munkatárs publikációjával kárt okozott a sörfőzdének, megtiltották az alkalmazottaknak, hogy tanulmányokat tegyenek közzé. Ez az oka annak, hogy W. S. Gosset álnéven írt. 4
25 A történethez tartozik, hogy Gosset nagyon jó munkakapcsolatba került az élettani laboratórium vezetőjével, Karl Pearson angol matematikussal (1857. március április 7.), a χ -eloszlás és a korrelációs együttható kidolgozójával, akitől sokat tanult. A Student-féle eloszlás jelentőségét mégsem K. Pearson, hanem Ronald Aylmer Fisher (1890. február július 9.) angol genetikus és statisztikus, az F-eloszlás vagy Fisher-eloszlás kidolgozója ismerte fel. W. S. Gosset 1908-ban a Student-féle eloszlást a t betűvel jelölte, ezért azt t-eloszlásnak is nevezzük. A Student-féle vagy t-eloszlás sűrűségfüggvényének alakja: f ( n æ n ö Gç t 1 t è ø æ - 1 n 1 n 1 ö )( ) = æ ç + ö π n 1 è - Gç - ( ) ( - ) ø è ø n - ahol Γ a gamma-eloszlást jelöli: G t ( ( n ) ) = n-1 -t ò t e dt 0 ahol t = - logx és G (n+1) = n G (n) G (1) = 1 G (n) = (n 1)! 5
26 Az egyoldali 5 %-os alulmaradási hányadhoz tartozó Student tényező (t n ), 50 %-os elfogadási valószínűség mellett (Stange, K. Henning, H.-J., 1966) Mintaelem szám n Szabadságfok n Studenttényező t n 6,314,90,353,13,015 1,943 1,895 1,860 1,833 1,81 Mintaelem szám n Szabadságfok n Studenttényező t n 1,796 1,78 1,771 1,761 1,79 1,699 1,691 1,660 1,648 1,645 Esetünkben a Student-tényező az N(0,1) eloszlású t-eloszlás egyoldali 5 %-os alulmaradási hányadához tartozó t n valószínűségi változója (p = 0,05 értékhez 6 tartozó kvantilise, küszöbértéke).
27 Standardizált valószínűségi változó: Fogalommeghatározás (3) A ξ valószínűségi változó standardizáltja: ξ sta = M( ξ) - ξ D( ξ) azaz képezni kell az M(ξ) várhatóérték és a ξ valószínűségi változó különbségét, amelyet eltérésnek neveztünk (ezáltal a függvényt az origóba toljuk), és el kell osztani a D(ξ) szórással. Ez tulajdonképpen függvénytranszformáció. A standardizált valószínűségi függvény várhatóértéke: 0, szórása: 1. 7
28 8
29 Standardizált eloszlásfüggvény 100 %ból kivont ordinátája. Például 95 %, ha a standardizált eloszlásfüggvény ordinátája p% = 5 %, vagy 97,5 %, ha p% =,5 % stb. Ez a sor az f = 4 szabadság fokú (n = 5) standardizált Student-féle eloszlásfüggvény abszcisszáit (t) adja. Például tn=5 =,13 esetén p% = 5 %, vagy tn=,5 =,776 esetén p% =,5 % stb. Ez a sor (f = ) a standardizált Gaussféle eloszlásfüggvény abszcisszáit adja. Például t = 1,645 esetén p% = 5 %, vagy t = 1,960 esetén p% =,5 % stb. 9 p% = 10 5,5 1 0,5 0,1 0,05 %
30 Ha n, akkor Student görbe Gauss görbe (sűrűségfüggvények bal oldala) 0,40 y = Relatív gyakoriság 0,35 0,30 0,5 0,0 0,15 0,10 Student(x;) n=3 Student(x;5) n=6 Student(x;8) n=9 Student(x;11) n=1 Student(x;14) n=15 Student(x;34) n=35 Student(x;99) n=100 Student(x;499) n=500 Gauss(x;0;1) 0,05 0,00 x = Valószínűségi változó 30
31 Gauss- és Student-eloszlások standardizált sűrűségfüggvénye p Gauss St n=500 St n=100 St n=35 St n=15 St n=1 St n=9 St n=6 St n=3 x 1 x 3 x 5 x 7 x 9 x 11 x 13 x 15 x 17 31
32 Gauss- és Student-eloszlások standardizált sűrűségfüggvényének (az előző oldalon lévő térbeli hisztogram) adatai (p ordináták) 3
33 Ha n, akkor Student görbe Gauss görbe (eloszlásfüggvények bal széle) és a 0,05 értékű (5 %-os) küszöbérték jobbra tolódik (nagyobb lesz) p = Alulm aradási hányadu 0,7 0,6 0,5 0,4 0,3 0, 0,1 0,05 0 Gauss- és Student-elszlások standardizált eloszlásfüggvénye Küszöbérték x = Valószínűségi változó Student(x;) n=3 Student(x;5) n=6 Student(x;8) n=9 Student(x;11) n=1 Student(x;14) n=15 Student(x;34) n=35 Student(x;99) n=100 Student(x;499) n=100 Gauss(x;0;1) p=0,05 33
34 Gauss- és Student-eloszlások standardizált eloszlásfüggvénye p Gauss St n=500 St n=100 St n=35 St n=15 St n=1 St n=9 St n=6 St n=3 x 1 x 3 x 5 x 7 x 9 x 11 x 13 x 15 x 17 34
35 Gauss- és Student-eloszlások standardizált eloszlásfüggvényének (az előző oldalon lévő térbeli hisztogram) adatai (p ordináták) 35
36 EGY KIS JÁTÉK Ezt a horgászt 1998-ban nagy szerencse érte, mert óriási, m hosszú harcsát fogott. Az év őszén arra kértem 55 főiskolai hallgatót, hogy becsülje meg a hal súlyát. Idézzük emlékezetünkbe, amit a mértékegységek tárgyalása során megbeszéltünk: az SI mértékegységrendszerben a súly mértékegysége N, a kg 36 pedig a tömeg mértékegysége.
37 Az óriás harcsa becsült súlya, 1. oldal Minta Rendezett minta Sorszám szeptember án 55 főiskolai hallgató a bemutatott fényképről megbecsülte a m hosszú harcsa súlyát %-os alsó küszöb, ,05*55=,75 N Hisztogram Hétfő 14 óra, Menedzser 6. csoport Hétfő 16 óra, Menedzser. csoport Szerda 1 óra, Magasépítő 6. csoport Szerda 14 óra, Magasépítő 3. csoport Szerda 16 óra, Magasépítő 7. csoport %-os alsó kvantilis, 0,5*55=13,75 N Hisztogram A hallgatók közül huszonnégyen a súly helyett a tömeget adták meg, ugyanis [kg]-ban fejezték ki a kérdezett mennyiséget Ez a megkérdezett hallgatók 43,6 %-a A feltett kérdésre a helyes válasz: A hal súlya körülbelül 450 N, mert a hal tömege 46 kg volt Súly = Tömeg * Nehézségi gyorsulás = = 46 kg * 9,81 m/sec = = 451,6 kg*m/sec = 451,6 N Hisztogram Medián = 650 A rendezett minta középső elemének értéke. 37
38 Az óriás harcsa becsült súlya,. oldal Minta Rendezett minta Sorszám Matematikai statisztikai jellemzők A becsült értékek átlaga: 637, N A becsült értékek szórása: 63,74553 N A becsült értékek ferdesége: 0, A becsült értékek csúcsossága: 1, Tehát a hallgatók a harcsa súlyát jelentős szórással túlbecsülték, a ferdeség a nagy értékek irányába nyúló aszimmetrikus eloszlást jelez, az eloszlás a normális eloszláshoz viszonyítva csúcsos eloszlás %-os felső kvan tilis, 0,75*55=41,5 Hisztogram
39 Az óriás harcsa becsült súlya, 3. oldal Valószínűségi Valószínűség Relatív változó, N valószínűség , , ,0545 0,05*55=, ,077 Az 5 %-os alsó küszöb valószínűségi változója: ,0909 Átlag - 1,645*szórás: 06, N ,1091 Ekkor a szórások tartományában a valószínűségek 90 %-a található , , , , , , , , , , , , , , , , , , , , ,4909 Várhatóérték- 1,96* szórás: 13,1 N 5 %-os alsó küszöb valószínűsége: Várhatóérték - egyszeres szórás: 376,3 N 5 %-os alsó kvantilis: 500 N és valószínűsége: 0,5*55=13,75 Medián, lognormális eloszlás esetén: 556 N A becsült értékek várhatóértéke: 640 N Hisztogram Hisztogram Módusz, a lognormális eloszlás legnagyobb gyakoriságához tartozó valószínűségi változó: 455 N Ez valamivel több, mint az óriás harcsa tényleges, mért súlya (451,6 N). A becsült értékek szórása: 39 63,7 N
40 Valószínűségi Valószínűség Relatív változó, N Az óriás harcsa becsült súlya, 4. oldal valószínűség , ,573 További matematikai statisztikai jellemzők ,5455 A becsült értékek ferdesége: 0, ,5636 A becsült értékek csúcsossága: 1, , , főiskolai hallgató ,618 fénykép után megbecsülte az óriás harcsa súlyát ,6364 Ezen az oldalon a becslés ,6545 matematikai statisztikai feldolgozása található , , , , , %-os alsó kvantilis: 800 N ,7636 és valószínűsége. 0,75*55=41, , ,8000 Normális eloszlás esetén Hisztogram A hisztogramot és a közelítő normális, illetve lognormális eloszlások gyakoriságfüggvényeit négy ábrán mutatjuk be. Hisztogram ,818 az egyszeres szórások tartományában a valószínűségek 68,7 %-a, ,8364 az 1,96-szoros szórások tartományában a valószínűségek 95 %-a található , , , ,9091 Várhatóérték + egyszeres szórás: 903,7 N , , ,9636 Várhatóérték + 1,96* szórás: 1156,9 N , ,
41 Variable VAR1 ; distribution: Normal Az óriás harcsa súlya valószínűségének gyakorisági görbéje Kolmogorov-Sm irnov d = , p = n.s. (szimmetrikus) normális eloszlás feltételezésével Chi-Square: , df = 1, p = Mó = Me = Várhatóérték Normális eloszlás sűrűségfüggvény jellemzői Módusz = Medián = = Várhatóérték = 643,9 N No of obs Szimmetrikus görbe Y Expected Osztásköz: 00 N Category (upper limits) Valószínűségi változó, N 41
42 No of obs Variable VAR1 ; distribution: Normal Az óriás harcsa súlya valószínűségének gyakorisági görbéje Kolmogorov-Sm irnov d = , p = n.s. (szimmetrikus) normális eloszlás feltételezésével Chi-Square: , df = 4, p = Mó = Me = Várhatóérték Normális eloszlás sűrűségfüggvény jellemzői Módusz = Medián = = Várhatóérték = 643,8 N Szimmetrikus görbe Y Expected Osztásköz: 100 N Category (upper limits) Valószínűségi változó, N 4
43 No of obs Variable VAR1 ; distribution: Lognormal Az óriás harcsa súlya valószínűségének gyakorisági görbéje Kolmogorov-Sm irnov d = , p = n.s. (jobbra ferde) lognormális eloszlás feltételezésével Mó Chi-Square: , df =, p = Me Várhatóérték Lognormális eloszlás sűrűségfüggvény jellemzői Módusz = 455,0 N Medián = 555,6 N Várhatóérték = 636,8 N Jobbra ferde görbe Y Expected Osztásköz: 00 N Category (upper limits) Valószínűségi változó, N 43
44 No of obs Variable VAR1 ; distribution: Lognormal Az óriás harcsa súlya valószínűségének gyakorisági görbéje Kolmogorov-Sm irnov d = , p = n.s. (jobbra ferde) lognormális eloszlás feltételezésével Mó Chi-Square: , df = 4, p = Me Várhatóérték Lognormális eloszlás sűrűségfüggvény jellemzői Módusz = 455,0 N Medián = 555,8 N Várhatóérték = 633,6 N Jobbra ferde görbe Y Expected Osztásköz: 100 N Category (upper limits) Valószínűségi változó, N 44
45 Néhány fogalom (4) Módusz: A környezetében a legnagyobb (relatív) gyakorisághoz tartozó valószínűségi változó, magyarán a (relatív) gyakorisági görbe csúcsához tartozó abszcissza érték, amelyből akár több is lehet. Medián (latin = középső): A p = 0,5 értékhez tartozó kvantilis. Mindig a módusz és az átlag (várhatóérték) közé esik. A kilógó adatokkal szembeni kis érzékenysége miatt jobban jellemzi a nem normális eloszlásokat, mint az átlag vagy a várhatóérték. Kvantilis: Az a valószínűségi változó, amely adott arányban osztja fel a (relatív) gyakorisági görbe alatti területet, vagy a rendezett mintát stb. Lapultsági együttható (vagy nevezik csúcsossági együtthatónak is): Szimmetrikus gyakorisági görbe esetén a normál eloszlás alakjától való eltérést fejezi ki. γ kurtosis n ( n-1) n æx- x = å ç ( n-1) ( n-) ( n-3) i è s ø ö 4 ( n-1) - 3 ( n- ) ( = 1 n- A normális eloszlásénál laposabb gyakorisági görbe lapultsági együtthatója negatív szám: γ kurtosis < 0. A normális eloszlás lapultsági együtthatója zérus: γ kurtosis = 0. A normális eloszlásénál csúcsosabb gyakorisági görbe lapultsági együtthatója pozitív szám: γ kurtosis > 0. i 3) 45
46 Néhány fogalom (5) Szimmetrikus eloszlás: Eloszlás, amelynek a ferdeségi együtthatója zérus: γ skewness = 0. Ferdeség (skewness ejtsd: szkjunesz): Jobbra vagy balra ferde eloszlás tulajdonsága. Ferdeségi együttható: γ skewness = ( n n -1) ( n n æx - x å ç -) i= 1è s Jobbra ferde eloszlás: Ha az eloszlás gyakorisági görbéje hosszan jobbra elnyúlik, akkor azt mondjuk, hogy jobbra dől, ekkor ferdeségi együtthatója pozitív szám: γ skewness > 0. (Általában ilyen a kisebb szilárdságú anyagok szilárdsági eloszlása.) Balra ferde eloszlás: Ha az eloszlás gyakorisági görbéje hosszan balra elnyúlik, akkor azt mondjuk, hogy balra dől, ekkor ferdeségi együtthatója negatív szám: γ skewness < 0. (Általában ilyen a nagyobb szilárdságú anyagok szilárdsági eloszlása.) i ø ö 3 46
47 Néhány fogalom (6) Módusz medián átlag (várhatóérték) viszonya ferde eloszlás esetén: Ferde eloszlás esetén a medián (középső valószínűségi változó) a gyakorisági görbe csúcsától a módusztól a ferdeség irányába esik. A medián mindig a módusz és a számtani átlag (várhatóérték) közé esik. Jobbra ferde eloszlás esetén a számtani átlag (várhatóérték) nagyobb, mint a medián (Me): m > Me Balra ferde eloszlás esetén a számtani átlag (várhatóérték) kisebb, mint a medián (Me): m < Me 47
48 Magyarországon között, az MSZ 470-:1980 szabvány szerint a beton nyomószilárdságának jellemző értékét (küszöbértékét, Rk) a beton nyomószilárdsági eloszlása ferdeségének feltételezésével (k tényező) számítottuk ki. Szórás Student tényező Jobbra ferde Szimmetrikus Balra ferde 48
49 Beton próbatestek vizsgálati eredménye Nyomószilárdság N/mm s = 3,8 35,1 31,9 34, 8,7 31,7 R m = 3,4 átlag,4 szórás Számpélda a vizsgálati eredmények eloszlása ferdeségének figyelembevételére a k tényezővel Értékelés a régi, ma már érvénytelen MSZ 4719:198 és MSZ 470/:1980 szabvány alapján Eloszlás tényező: k = 1,15 Student tényező: t =,015 k t s szorzat = 5,1 Jellemző érték: R k = = R m - k t s = 7,3 N/mm Megfelel, ha a megkövetelt minősítési érték: R k,nom = 5 N/mm A példa beli vizsgálati eredmények eloszlása balra (a kisebb szilárdságok tartománya felé) ferde. 49
50 5,8% Histogramm (Tabelle in Arbeitsmappe1.stw 699v*699c) Var1 = 699*0,5*gamma(x/0,1494; 46,111)/0,1494 4,7% 180,9% 0,0% 18,3% 19,% Példa a jobbra ferde gamma eloszlásra ,% 10 % der Beob. 14,3% 11,4% 10,7% ,6% 7,3% 6,7% 60 5,7% 5,6% 40,9% 0,0% 3,3% 3,0% 1,1% 0,0% 0,0% 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5 A gt
51 5,8% Histogramm (Tabelle in Arbeitsmappe1.stw 699v*699c) Var1 = 699*0,5*lognorm(x; 1,91; 0,1456) 4,7% 180,9% 0,0% 18,3% 19,% Példa a jobbra ferde lognormális eloszlásra ,% 10 % der Beob. 14,3% 11,4% 10,7% ,6% 7,3% 6,7% 60 5,7% 5,6% 40,9% 0,0% Var1: N = 699 3,3% 3,0% 1,1% 0,0% 0,0% 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5 A gt
52 5,8% Histogramm (Tabelle in Arbeitsmappe1.stw 699v*699c) Var1 = 699*0,5*extreme(x; 6,46; 0,795) 4,7% 180,9% 0,0% 18,3% 19,% Példa a jobbra ferde extrém (Gumbel) eloszlásra ,% 10 % der Beob. 14,3% 11,4% 10,7% ,6% 7,3% 6,7% 60 5,7% 5,6% 40,9% 0,0% 3,3% 3,0% 1,1% 0,0% 0,0% 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5 A gt 5 0 0
53 Histogramm (Tabelle in Arbeitsmappe1.stw 699v*699c) 40% Fp 0, = Distanz-gewichtete kleinste Quadrate 80 37% 37,% 60 34% 31% Példa a balra ferde legkisebb négyzetek eloszlásra % 8,0% 00 6% 180 % der Beob. 3% 0% 17% 18,5% % 13,4% % 9% 6% 80 Var: N = 699; Mw. = 181,554; Stdabw. = 5, ; Max. = 195,6; Min. = 163,6; D = 0, ; p < 0,0100; Lilliefors-p < 0, % 0% 1,4% 1,0% 0,3% 0,1% Fp 0,
54 Regressziós közelítés a legkisebb hibanégyzet összegek módszerével Egyenes együtthatóinak kétismeretlenes egyenletrendszere Elnevezések: = a * x b Ez a függvény alak (y i y) = hiba (y i y) = hibanégyzet Σ(y i y) = hibanégyzet összeg y + F F a F b ( y - y) = ( y - a * x - b) å å i i i Þ = min ( y - a * x - b ) = - * å i i * x i = 0 ( y - a * x - ) = - * å i i b = 0 åx * * å - * å i yi a xi b xi = - 0 Módszer neve ezért: Legkisebb hibanégyzet összegek módszere Az F hibanégyzet összeg függvénynek ott van szélső értéke, esetünkben minimuma, ahol a deriváltjainak ( F/ a és F/ b) az értéke zérus (érintője vízszintes): å y å i a * xi - b * n =
55 D = å å x x å n x Regressziós közelítés egyenessel Összefüggés az ultrahang sebessége és a beton nyomószilárdsága között D a = å x å * y y å x å x å x å å n * D b = y x y Nyomószilárdság, N/mm yi - y y = 0,013*x - 33,759 R = 0,6317 R = 0,7948 y i y a D a = b D = D D b Ultrahang sebessége, m/s Meghatározandó részmennyiségek: x Sx i i x Sx i i y Sy i i x Sx i *y i *y i i 55
56 Másodfokú parabola együtthatóinak háromismeretlenes egyenletrendszere y = a* x + b* x+ c Ez a közelítő függvény alakja ( ) ( å ) i å i i i F = y - y = y -a* x -b* x -c Þmin F a F b F c ( ) =- å * yi -a * xi -b* xi - c * xi = 0 ( ) =-* å yi -a * xi -b* xi - c * xi = 0 ( y a x b x c) =- * å i - * i - * i - = 0 56
57 å å å å å 4 3 x * y -a* x -b* x - c* x = 0 i i i i i å å å 3 x * y -a* x -b* x - c* x = 0 i i i i i å yi - a * å xi - b * å xi - c * n = 0 Regressziós közelítés másodfokú parabolával D D = b = å å å å å å å å x x x i i i xi * yi xi xi D x y x x i i i a = å i * i å i å i y x n i i å i å i 3 x x x x x n å å å å å å å i å i x x * y x 4 i i i i 3 x x * y x D i i i i x y n c = å å å å å å å å å å å å 4 3 x x x * y i i i i 3 x x x * y i i i i x x y i i i a Da = b D D b = c D = D D c Meghatározandó részmennyiségek: øsx x i i øsx x ii Sx i 3 ø x i 3 Sx i 4 ø x i 4 57 øsy y i ø x i i ø x i Sx i *y i Sx ii *y ii
58 A közelítés pontosságáról a korrelációs együttható (egyenes esetén), illetve a korrelációs index (görbe esetén) ad felvilágosítást. Mennél pontosabb a közelítés, az R korrelációs együttható, illetve index annál nagyobb és értéke mind inkább tart az 1,0- hez: R 1,0 R å( yi - y) 1- æ å yi å ç yi - è n = A korrelációs együtthatót, illetve indexet az irodalomban I-vel is jelölik. ø ö Nyomószilárdság, N/mm Összefüggés az ultrahang sebessége és a beton nyomószilárdsága között 5 0 y = 0,013*x - 33,759 R = 0,6317 R = 0,7948 y = (4E-06)*x - 0,0171*x ,984 R = 0,6399 R = 0, Ultrahang sebessége, m/s
59 KÖSZÖNÖM A FIGYELMÜKET 59
STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
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
RészletesebbenNAGY TARTÓSSÁGÚ BETON TERVEZÉSÉNEK NÉHÁNY KÖVETELMÉNYE
NAGY TARTÓSSÁGÚ BETON TERVEZÉSÉNEK NÉHÁNY KÖVETELMÉNYE Dr. Kausay Tibor BME Építőanyagok és Mérnökgeológia Tanszék Építőanyagok és Mérnökgeológia Tanszék A nagy tartósságú betont az jellemzi, hogy a 100
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
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
RészletesebbenA 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
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
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,
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenFeladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?
Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését
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:
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 Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
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.
RészletesebbenBeton-nyomószilárdság nyomószilárdság értékelésének alulmaradási tényezője
Beton-nyomószilárdság nyomószilárdság értékelésének alulmaradási tényezője Dr. Kausay Tibor Budapesti Műszaki és Gazdaságtudományi Egyetem Építőanyagok és Mérnökgeológia Tanszék ÉPKO 2010 ERDÉLYI MAGYAR
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
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.
RészletesebbenSTATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)
Normális eloszlás sűrűségfüggvénye STATISZTIKA 9. gyakorlat Konfidencia intervallumok f σ π ( µ ) σ ( ) = e /56 p 45% 4% 35% 3% 5% % 5% % 5% Normális eloszlás sűrűségfüggvénye % 46 47 48 49 5 5 5 53 54
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
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
Részletesebben[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
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenSegítség 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
RészletesebbenMÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI
MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk
RészletesebbenFEGYVERNEKI 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,
RészletesebbenMatematikai geodéziai számítások 10.
Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
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
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 következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
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 alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
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,
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 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
RészletesebbenStatisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus
Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus Gyakorisági sorok Mennyiségi ismérv jellemző rangsor készítünk. (pl. napi jegyeladások száma) A gyakorisági sor képzése igazából tömörítést jelent Nagyszámú
RészletesebbenElemi statisztika fizikusoknak
1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok
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 tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
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
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
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
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
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
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 -
RészletesebbenSTATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai
Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő
RészletesebbenFEGYVERNEKI 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:
RészletesebbenStatisztika 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
RészletesebbenBeton nyomószilárdságának MEGFELELŐSÉGE ÉS elfogadása (nem csak) szerint
Beton nyomószilárdságának MEGFELELŐSÉGE ÉS elfogadása (nem csak) az MSZ EN 206-1 1 és MSZ 4798-1 1 szabványok szerint A beton igénybevételként jelentkező nyomófeszültségének (elvárt legkisebb szilárdságának)
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 17. Outline 1 Leíró statisztikák 2 Középértékek Példa 3 Szóródási mutatók Példa 4 Néhány megjegyzés a grafikonokról 5 Számítások
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenGRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens
GRADUÁLIS BIOSTATISZTIKAI KURZUS 2012. február hó 22. Dr. Dinya Elek egyetemi docens Biometria fogalma The active pursuit of biological knowledge by quantitative methods Sir R. A. Fisher, 1948 BIOMETRIA
RészletesebbenTartalomjegyzék 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
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása A csoport
Gazdasági matematika II. vizsgadolgozat megoldása A csoport Definiálja az alábbi fogalmakat!. Egy eseménynek egy másik eseményre vonatkozó feltételes valószínűsége. ( pont) Az A esemény feltételes valószínűsége
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
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
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
RészletesebbenSTATISZTIKA. 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
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I 16 XVI A DIFFERENCIÁLSZÁmÍTÁS ALkALmAZÁSAI 1 Érintő ÉS NORmÁLIS EGYENES, L HOSPITAL-SZAbÁLY Az görbe abszcisszájú pontjához tartozó érintőjének egyenlete (1), normálisának egyenlete
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenMérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
RészletesebbenTérfogati fajlagos felület és (tömegi) fajlagos felület
Térfogati fajlagos felület és (tömegi) fajlagos felület A térfogati fajlagos felület az egységnyi testtérfogatú szemhalmaz szemeinek felületösszege, azaz a szemhalmaz szemei külső felülete összegének és
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
RészletesebbenBevezető Adatok rendezése Adatok jellemzése Időbeli elemzés
Gazdaságstatisztika 2. előadás Egy ismérv szerinti rendezés Kóczy Á. László KGK VMI Áttekintés Gyakorisági sorok Grafikus ábrázolásuk Helyzetmutatók Szóródási mutatók Az aszimmetria mérőszámai Koncentráció
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
Részletesebben1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont)
1. tétel 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója cm. Mekkora a háromszög átfogója? (4 pont). Adott az ábrán két vektor. Rajzolja meg a b, a b és az a b vektorokat! (6 pont)
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.
RészletesebbenA sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos
Középérték Középérték A középérték a statisztikai adatok tömör számszerű jellemzése. helyzeti középérték: módusz medián számított középérték: számtani átlag kronológikus átlag harmonikus átlag mértani
RészletesebbenFEGYVERNEKI 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,
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
RészletesebbenVizsgálati jegyzőkönyvek általános felépítése
Vizsgálati jegyzőkönyvek általános felépítése 1. Intézményi és személyi adatok 1. Megbízó intézmény neve és címe 2. Megbízó képviselőjének neve és beosztása 3. A vizsgáló intézmény illetve laboratórium
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
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben1/8. Iskolai jelentés. 10.évfolyam matematika
1/8 2009 Iskolai jelentés 10.évfolyam matematika 2/8 Matematikai kompetenciaterület A fejlesztés célja A kidolgozásra kerülő programcsomagok az alább felsorolt készségek, képességek közül a számlálás,
Részletesebben- 1 - A BETON NYOMÓSZILÁRDSÁG MEGFELELŐSÉGÉNEK FELTÉTELEI AZ ÚJ BETONSZABVÁNYOK SZERINT. Dr. Kausay Tibor
- 1 - A BETON NYOMÓSZILÁRDSÁG MEGFELELŐSÉGÉNEK FELTÉTELEI AZ ÚJ BETONSZABVÁNYOK SZERINT Dr. Kausay Tibor A beton nyomószilárdsága megfelelőségének megítélése szempontjából sarkalatos kérdés a jellemző
RészletesebbenOC-GÖRBE, MŰKÖDÉSI JELLEGGÖRBE, ELFOGADÁSI JELLEGGÖRBE
OC-GÖRBE, MŰKÖDÉSI JELLEGGÖRBE, ELFOGADÁSI JELLEGGÖRBE Németül: OC-kurve, Annahmekennlinie, OC-Funktion Angolul: Operating characteristic curve Franciául : Caractéristique de fonctionnement, courbe d efficacité
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
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
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
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
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
RészletesebbenFüggvények Megoldások
Függvények Megoldások ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x x b) x x + c) x ( x + ) b) Az x függvény
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
Részletesebben4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O
1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.
Részletesebben9. Tétel Els - és másodfokú egyenl tlenségek. Pozitív számok nevezetes közepei, ezek felhasználása széls érték-feladatok megoldásában
9. Tétel Els - és másodfokú egyenl tlenségek. Pozitív számok nevezetes közepei, ezek felhasználása széls érték-feladatok megoldásában Bevezet : A témakörben els - és másodfokú egyenl tlenségek megoldásának
RészletesebbenSTATISZTIKA. 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
RészletesebbenMinőség-képességi index (Process capability)
Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenKERESZTMETSZETI JELLEMZŐK
web-lap : www.hild.gor.hu DEME FERENC okl. építőmérnök, mérnöktanár e-mail : deme.ferenc1@gmail.com STATIKA 50. KERESZTMETSZETI JELLEMZŐK A TARTÓK MÉRETEZÉSE SORÁN SZÁMOS ESETBEN SZÜKSÉGÜNK VAN OLYAN ADATOKRA,
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
Részletesebben