1. KUTATÁSMÓDSZERTANI ALAPOK

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "1. KUTATÁSMÓDSZERTANI ALAPOK"

Átírás

1 1. KUTATÁSMÓDSZERTANI ALAPOK Ebben a fejezetben célunk az, hogy képet adjunk arról a nehéz, sokszor kényes folyamatról, melynek eredményeképp egy felvetődő kérdésből tudományosan vizsgálható probléma, kutatási terv lesz. Felvázoljuk a változók meghatározásával, a hipotézisek megalkotásával kapcsolatos alapkérdéseket, az okság és a hatás sajátos problémáit a társadalomtudományban. A kutatás gyakorlati kivitelezésének kérdései közül a mintavételt tárgyaljuk részletesebben A társadalomtudományi kutatás elvi problémái A körülöttünk lévő világ felderítésére irányuló tevékenység az ember egyik legalapvetőbb törekvése. Ez a motívum áll a hétköznapi megismerés és a tudományos kutatás mögött egyaránt. Mire törekszik a megismerés? 1. Információt gyűjteni: megismerni, mi van. A valóság megismerésének, megismerhetőségének problémáival a filozófia résztudományai foglalkoznak. Az ismeretelmélet (episztemológia) olyan kérdésekre keresi a választ, hogy létezik-e a valóság a megismerésre törekvő tudattól függetlenül, megismerhető-e egyáltalán, milyen kapcsolat van a valóság és az ismereteink között, mi az igazság stb. Azt a problémát pedig, hogy hogyan juthatunk igaz ismeretekhez, a tudományfilozófia és a tudásszociológia is vizsgálja. A hétköznapokban akár a magánéletben, akár tudományos kutatóként azt feltételezzük, hogy a valóság és a tapasztalataink között van bizonyos összhang, kongruencia, azaz a világ megismerhető. 2. Megérteni, miért van. A jelenség megértése legtöbbször azt jelenti, hogy megjelenésére, lefolyására magyarázatot találtunk. A megértés általában kapcsolódik az okság kérdéséhez is. Az okságról alkotott felfogás sokat változott az utóbbi évszázadokban, és ez a problémakör szintén foglalkoztatja a filozófusokat, tudásszociológusokat is. 3. Felhasználni az ismeretet, uralni a jelenséget. Az ismeretnek végső értelmet az ad, ha fel tudjuk használni arra, hogy jobban eligazodjunk és jobban éljünk világunkban. Számos jelenség van, amelynél a legtöbb, amit elérhetünk, hogy időben észleljük a közeledését, vagy be tudjuk jósolni a lefolyását.

2 (Ilyenek az időjárással vagy a vulkáni tevékenységgel kapcsolatos jelenségek, vagy például az emberi viselkedés váratlan, szélsőséges helyzetekben.) A megismerés magasabb szintjét jelenti, ha már képesek vagyunk a jelenséget, a folyamatot módosítani, befolyásolni. A jelenséget akkor uraljuk igazán, ha már szándékosan előidézni, szabályozni és akár leállítani is tudjuk. Mi a különbség a hétköznapi és a tudományos megismerés között? A hétköznapi megismerés a tudományos megismeréshez képest esetleges, töredékes és pontatlan. Ezek a hibák abból adódnak, hogy a hétköznapokban ismereteinket leggyakrabban egyéb tevékenységeink végzése közben, spontán módon gyarapítjuk, olyan ősi technikákkal, amelyeknek valamikor evolúciós hasznuk volt, de ma már gyakran vezetnek hibás eredményhez. Ezeket azért fontos megismernünk, mert kutatóként is emberek maradunk, és hajlamosak vagyunk beleesni ezekbe a hibákba A hétköznapi megismerés A hétköznapi megismerés általában spontán módon megy végbe, aszerint, hogy milyen tapasztalatokkal találkozunk. Tapasztalataink mindig ki vannak téve pontatlan észlelésünk torzításainak. Ez nemcsak abból adódik, hogy érzékszerveink nem mindig megbízhatóak, hanem abból is, hogy a figyelem irányultsága, az előzetes várakozások is erősen befolyásolják az észlelést. (Például hamarabb meghalljuk, ami fontos nekünk, vagy amit hallani szeretnénk.) Tapasztalatainkból gyakran hibás következtetéseket vonunk le. Már néhány esetből is hajlamosak vagyunk általánosítani. (Ez fontos emberi tulajdonság, hiszen segít a gyors tájékozódásban, hogy típusokat, kategóriákat próbálunk alkotni. De ha ezeket lezárjuk, és nem engedjük be tudatunkba az ellentmondó tapasztalatokat, előítéletek keletkeznek.) Gyakran az egymást követő eseményeket oksági kapcsolatba hozzuk, anélkül, hogy ellenőriznénk feltevésünket. Következtetéseink levonásakor gyakran követünk el logikai hibákat. Tudatunkban néha megférnek egymásnak ellentmondó tartalmak is. Ismereteinket, következtetéseinket ritkán ellenőrizzük, nem vizsgáljuk meg újra meg újra, hogy kizárjuk a tévedés lehetőségét. Ha tapasztalatainkról, következtetéseinkről másokkal beszélgetünk, nem magyarázzuk meg, mit is értünk az egyes fogalmakon; feltételezzük, hogy szavaink a másiknak is ugyanazt jelenti. Ez azonban nincs mindig így, a szavakat jelentések, asszociációk egész felhője veszi

3 körül. A kommunikáció során a partnerek közös munkával, fokozatosan derítik fel, melyik jelentés érvényes. Ez az anomália sokszor lehet akadálya a megértésnek A tudományos megismerés A tudományos megismerésre a minden részletre kiterjedő tervszerűség és alaposság jellemző. A tudományban törekednek arra, hogy a tapasztalatok és a következtetések helyességét többszörösen is ellenőrizzék. Ez nemcsak önellenőrzéssel, hanem a tudományos közélet, a szakma kontrolljával is folyik. A tudományos kommunikációban szemben a hétköznapi kommunikációval a fogalmakat mindig szigorúan meghatározott értelemben használják. A következő táblázat a megismerés két különböző típusát hasonlítja össze. Hogyan szervezzük? Hogyan használjuk a fogalmakat? Hogyan gondolkodunk? Hogyan vizsgáljuk ismereteink, következtetéseink helyességét? Tudományos megismerés Tervszerűség, minden körülményt szisztematikusan figyelembe veszünk Pontosan körülhatárolt értelemben Logikai tisztaság a következtetésekben; ellentmondás-mentes rendszerre törekszünk Gondosan megtervezett kontrollvizsgálatokkal, többszörös ellenőrzéssel, a szakmai közélet kontrolljával Hétköznapi megismerés Spontán, pontatlan, esetleges; észlelési torzítások Pontatlan, többértelmű fogalomhasználat Logikai hibák (túláltalánosítás, téves oktulajdonítás, hibás következtetések); megférnek az ellentmondó tények, állítások, következtetések Ritkán ellenőrizzük ismereteink, következtetéseink helyességét, nem rendszerezünk 1.4. Elmélet és gyakorlat viszonya Gyakori kérdés, hogy vajon a tudományos megismerésben az elméletnek vagy a gyakorlatnak tulajdonítsunk elsőbbséget, nagyobb fontosságot. Ez lényegében az a kérdés, vajon melyik a valóság megismerésének igaz útja : a tapasztalatoktól a törvények felé (az egyestől az

4 általános felé) vezető induktív, vagy az elméletből a gyakorlatra irányuló (az általánostól az egyes felé) deduktív út. Induktív ( hagyományos, szcientista) modell Ez a tudományelméleti megközelítés azt feltételezi, hogy a világot természeti törvények mozgatják, és ezek a törvények megismerhetők, kikövetkeztethetők a tapasztalatokból. Az elméleteket a tapasztalatokból leszűrt törvények alapján állíthatjuk fel. Ismereteink tehát egy kumulatív folyamatban, folytonosan gyarapodnak, és egyre jobban megközelítjük a valóság teljes megismerésének állapotát. E szerint az induktív megismerés útja: tények törvények elméletek A 20. század húszas éveiben a fizika fejlődése következtében merültek fel először problémák az évszázadok óta magától értetődőnek tekintett induktív úttal kapcsolatban. Valamivel később Karl Popper tudományszociológus bizonyította briliánsan, hogy induktív úton nem lehet igazolni a törvényeket, csupán cáfolni (falszifikálni). (Nem állíthatjuk biztosan, hogy minden hattyú fehér, akárhány fehér hattyút láttunk is már. Viszont egyetlen fekete hattyú is megcáfolhatja az állítást.) Mindez természetesen nem jelenti azt, hogy a tapasztalati tények értéktelenek. Az indukció útján azonban csak valószínűségi következtetésekhez juthatunk, amelyek egy végtelen megismerési folyamatban közelítenek az igazsághoz, a bizonyossághoz. Az is világossá vált, hogy objektív, a megfigyelőtől független tények nem léteznek. Tapasztalatainkat meghatározzák azok az elképzelések (fogalmak, gondolkodási-elméleti keretek), amelyek már a tapasztalás előtt kialakulnak. Deduktív modell A deduktív modell egyértelműen felvállalja, hogy a fejünkben lévő elképzelések elsődlegesek a tapasztaláshoz képest. E szerint a megismerés valójában mindig az elméletből indul ki, és a

5 tapasztalatokat az elméletből levezethető következtetések helyességének tesztelésére használjuk. Ha a tapasztalat cáfolja a feltételezést (hipotézist), akkor ellenőriznünk kell, nem követtünk-e el logikai hibát a következtetés során. Ha a következtetés helyes, akkor az elméletet (elvi kiindulópontjainkat) kell módosítanunk. elmélet törvények hipotézisek tesztelése a gyakorlatban A tudományos kutatásban az induktív és a deduktív út egyaránt fontos; egymást kiegészítik, ezért egyik sem mellőzhető. A tudományos problémák egyaránt érkezhetnek az elmélet és a gyakorlat felől. Bár az egyes kutatók egyik vagy másik utat előnyben részesítik saját tudományos munkásságukban, a tudomány egészében az induktív és a deduktív út mindig összekapcsolódik. A tudomány kereke elméletek Indukció empirikus általánosítás hipotézisalkotás Dedukció megfigyelés (empíria)

6 1.5. A társadalomtudományi kutatások A kutatás elvi, ideáltipikus folyamatának lépései 1. A megismerés első lépéseként a valóságot strukturáljuk: a jelenséget lehatároljuk és nevet adunk neki. A fogalom kialakulása a filo- és ontogenezisben is egy kategorizációs folyamat; eredménye a szó. Mint már szó volt róla, a tudományos fogalmak esetében fontos az egyértelmű jelentés ill. szóhasználat. Hogyan történhet ez? - Megegyezünk, hogyan, milyen értelemben használjuk a fogalmat. Ilyen jellegzetesen megegyezéses kategória pl. a serdülőkor. Ezzel szemben a deviancia fogalmának többféle értelmezése is használatos, ezért tisztáznunk kell, melyiket fogadjuk el érvényesnek. - Kutatásokkal feltárjuk, pontosítjuk a fogalom tartalmát. Ilyen folyamatosan változó tartalmú fogalom a kreativitás, a vallásosság vagy a tanulási nehézségek. 2. A kutatás során megkíséreljük feltárni a fogalmak (kategóriák) tartalmát (úgy, hogy elhelyezzük őket egy tágabb és/vagy ismert összefüggésben, azaz: értelmezési modellt alkotunk): A fogalmakat változókban jelenítjük meg. Megkíséreljük megragadni azokat a mérhető, megfigyelhető elemeket, összetevőket, amelyek az adott fogalommal kapcsolatban állhatnak. (Például a szociokulturális helyzet fogalmat számos változó együttesen fejezi ki: az iskolai végzettség, a foglalkozás, az anyagi helyzet, a lakáskörülmények, a kulturális eszközökkel való ellátottság, a kulturális jellegű szokások.) Megvizsgáljuk, a változók milyen lehetséges értékeket vehetnek fel. Ezek az attribútumok. (Nem mindegy, milyen kategóriákat attribútumokat állítunk fel a foglalkozás változóhoz, hogyan határozzuk meg a kulturális ellátottságot lehet pl. a könyvek száma, a kultúrára költött havi összeg stb., kulturális szokásnak tekinthetjük az olvasásra fordított időt, a kulturális intézmények látogatásának gyakoriságát stb.)

7 3. Ezzel párhuzamosan történhet a kérdésfeltevés, azaz annak meghatározása, mire irányul a kutatás. Mi van? Milyen? Leíró jellegű kutatás. Feltárjuk a változók viselkedését, azaz az attribútumok eloszlását. Mivel függ össze? Feltáró, magyarázó kutatás. Kapcsolatot keresünk a változók között az attribútumok együttmozgása alapján Magyarázatot keresünk az összefüggésre: hipotézist alkotunk. a hipotézist teszteljük. Az igazolt (megerősített) hipotézist beillesztjük egy tágabb összefüggésbe (elméletbe) jóslás, befolyásolás; elméletalkotás. Társadalomtudományi kutatás a gyakorlatban 1. Kiindulás a problémából. (A probléma felvetődhet az elméletben, vagy érkezhet a gyakorlat felől is.) Fontos, hogy tisztázzuk elméleti alapvetéseinket, azt a fogalmi-gondolati kört, előfeltevéseket, amelyben mozgunk. Értelmeznünk kell a fogalmakat, legalább egy munkadefiníció erejéig (hiszen a kutatás irányulhat éppen a fogalom tartalmának felderítésére is. Tisztáznunk kell (és mások számára is világossá kell tennünk), melyek az elméleti keret alapfogalmai (vagyis azok a logikailag nem definiált kategóriák, amelyek a további meghatározások kiindulópontjai), és melyek azok az állítások, amelyeket bizonyítás nélkül igaznak fogadunk el (ezek az axiómák). Az elméleti keretek tisztázatlansága, rejtett hatása félreértésekre és logikai hibákra adhat alkalmat. 2. A problémával akkor tudunk dolgozni, ha kérdéssé (kérdésekké) alakítjuk. A kérdéseket fogalmakra, az ahhoz kapcsolódó változókra, ill. a változók kapcsolataira, összefüggéseire vonatkozóan kell megfogalmaznunk. Független változók: azok a változók, amelyekről úgy véljük, meghatározó szerepet játszanak a minket érdeklő problémában. Ezen változók értékeit (attribútumait) mi változtatjuk (illetve választjuk) meg. Függő változók: azok a változók, amelyek viselkedésére (eloszlására) kíváncsiak vagyunk. Megfigyeljük, hogy a független változók változtatása hogyan hat a függő változókra (így próbáljuk felderíteni, milyen kapcsolat van közöttük).

8 Pl.: vizsgálni szeretnénk a feladathelyzetben a szorongást. A szorongás mértéke lesz a függő változó, ezt kell majd mérnünk. Mitől függhet? Pl. a nemtől, a feladat nehézségétől. Ezek lesznek a független változók. Ezeket nekünk kell módosítani. Előző példánknál maradva a vizsgált személy nemét természetesen nem tudjuk megváltoztatni, csak megválasztani, ugyanakkor viszont a feladat nehézségi fokát szándékaink szerint változtathatjuk meg. 3. Hipotézis-alkotás. A hipotézis állítás formájában megfogalmazott válasz a feltett kérdésre. Kérdés: hogyan függ a szorongás a nemtől? Hipotézis: a lányok szorongóbbak. 4. A hipotéziseket teszteljük (vizsgáljuk, ellenőrizzük) a gyakorlatban. Azonos körülmények között mérjük, majd összehasonlítjuk a fiúk és a lányok szorongását. Milyen a jó hipotézis? Megalapozott: az axiómákból és a már igazolt törvényekből levezethető (Az axiómák használatát a szakmai konszenzus szentesíti. A már igazolt összefüggések a szakirodalomban lelhetők fel, ezekre hivatkozhatunk.) Operacionalizálható: lefordítható (transzformálható) konkrét vizsgálattá, kutatási tervvé. Eldönthető: a kutatás végén legyen egyértelműen eldönthető, hogy a hipotézis igazolást (megerősítést) nyert-e, vagy megcáfoltatott. Magyarázó erejű: a kutatással tesztelt hipotézis(ek) adjanak egyértelmű választ az eredeti kérdésre Néhány probléma Az okság problémája

9 Az okság mint filozófiai probléma azt a kérdést jelenti, milyen kapcsolat van két olyan jelenség között, amelyek oksági viszonyban állnak egymással. Descartes alkotta meg az analitikus oksági modellt. Úgy vélte, az ok és az okozat között szoros kapcsolat, logikai azonosság áll fenn; az ok egyben a magyarázat is az okozat bekövetkezésére. Newton, akiben a fizika első nagy megújítóját tisztelhetjük, úgy vélte, az ok még nem magyarázat. Meg kell ismernünk azokat az általános törvényeket, amelyekből a jelenségek levezethetők. Ezek a törvények fűzik össze a jelenségeket oksági láncolattá. Ez a determinisztikus (deduktív) modell. Milyen előfeltevéseket hordoz a determinizmus? 1. A valóságnak vannak törvényei, 2. ezeket fel lehet deríteni; 3. vagyis: helyes és lehetséges modelleket alkotni és alkalmazni a világ megértésére és magyarázatára! (Ez a mai napig uralkodó nézet; erősen rokon a már megismert induktív megismerési modellel.) Mikor nem működik a determinisztikus modell? Ha a rendszernek nagyon sok eleme van. (Pl.: gázok). Statisztikai (kvázi-determinisztikus) modell: Rendszer-szinten: a determinizmus látszata (a gázok viselkedését jól leírják a gáztörvények) Az egyes elemek szintjén: csak valószínűségekről beszélhetünk (nem tudjuk megmondani, mekkora egy gázmolekula sebessége, csak bizonyos valószínűséggel) A modellt statisztikai törvényszerűségek jellemzik: csak nagy elemszám esetén alkalmazhatók; csak az átlagos viselkedést tudja figyelembe venni; előrejelzései csak az átlagra vonatkoznak és valószínűségi természetűek; (Például a statisztikai módszerek segítségével meg tudjuk mondani, hogy a pedagógusoknak mekkora az átlagfizetése. Azt is kiszámíthatjuk, milyen valószínűsége van annak, hogy egy pedagógus fizetése egy adott határnál jobban eltér az átlagtól, de nem tudjuk megmondani, XY mennyit keres. Viszont becslést adhatunk rá az átlagadatok ismeretében.) Ha elhagyjuk a földi (newtoni) dimenziókat: világegyetem, kvantummechanika.

10 Kvantummechanika: tetszőleges rendszer egy függvénnyel írható le, amely az alkotórészekhez lehetséges tulajdonságok egész tartományát rendeli hozzá összehangolt módon (Schrödinger-egyenlet). Az, hogy e tulajdonságok közül a méréskor melyik realizálódik, valószínűség kérdése. Bizonyos tulajdonságok párban állnak egymással. A pár egyik tagjának pontosabb meghatározásakor a másik tag határozatlanabb lesz (Heisenberg-féle bizonytalansági reláció.) Az okság tehát hagyományos értelmében értelmét veszti. (Heisenberg: Az okság csupán az anyag egy tulajdonsága. ) Ha a rendszerek komplexek, azaz elemeik, alkotóik egymással dinamikus kölcsönhatásban vannak. Cirkuláris okságról beszélünk, ha az ok visszahat az okozatra. Ilyenkor nehéz elválasztani az okot az okozattól. Ez a társadalomtudományok területén gyakori. (Pl.: rosszul teljesítünk, mert szorongunk, és minél rosszabbul teljesítünk, annál jobban szorongunk.) A társadalomtudományok terén nemcsak a rendszerek, hanem az azok működését leíró törvényszerűségek is ha egyáltalán léteznek ilyenek nagyon bonyolultak. A komplex rendszerek viselkedése akkor is kiszámíthatatlan, megjósolhatatlan és reprodukálhatlan, ha az alrendszerek (elemek) működését véges (néha meglepően kevés), determinisztikus törvény írja le. (Ilyenkor a rendszert elvileg lehetetlen matematikailag leírni. Ilyen pl. az ún. háromtest-probléma. Nem lehet kiszámítani, leírni három tömegpont bolygó mozgását egymáshoz képest, pedig a köztük ható tömegvonzás törvénye viszonylag egyszerű.) Káosz-elmélet: olyan nagybonyolultságú rendszerekkel foglalkozik, amelyeknél a bemenet kicsiny változása is óriási eltéréseket eredményez a kimeneten (pl a hegyről legördülő kő). Néhány társadalmi jelenséggel kapcsolatosan (pl. a tőzsde mozgásai) is alkalmazzák A hatás problémája Mit tekintünk hatásnak?

11 Feltételezzük, hogy a függő és a független változók között kapcsolat van: a független változó változása maga után vonja a függő változó változását. Vagyis: a független változók hatással vannak a függő változóra. A statisztikai együttmozgás még nem jelöl oksági kapcsolatot! Az együttmozgás mellett az okság szükséges feltételei: A oka a B jelenségnek, ha időben megelőzi, és nincs harmadik tényező, amely mindkét jelenségnek oka. A férj és feleség iskolai végzettsége között Magyarországon szoros statisztikai kapcsolat van, mégsem mondhatjuk, hogy ez a kapcsolat okságot jelent. Valahányszor megfájdul a vállam, két nap múlva megjön az eső. A vállfájás nem oka az esőnek, bár az együttjárás szoros. A harmadik tényező a légköri változás, amely oka mind a vállfájásnak, mind az esőnek. Indikátor: együtt mozog a változóval anélkül, hogy közvetlen oksági kapcsolatban lenne vele. Pl. a ruházat minősége indikátora lehet a jövedelmi helyzetnek, de nincs vele közvetlen oksági kapcsolatban, és számos más tényező is befolyásolja. Fontos kérdés, hogy mi hat mire? Egy éven át vizsgáljuk a szobák hőmérsékletének havi átlagát és a fűtési költségek havi összegét. Milyen az összefüggés? (Vigyázat! Januárban van a leghidegebb a szobában, és ekkor a legmagasabb a fűtési költség. Augusztusban van a legmelegebb, de mégis 0 Ft a költség. Vagyis minél többet fűtünk, annál hidegebb van!) A változók kapcsolata legtöbbször komplex, oda-vissza hatás. Az egyirányúság feltételezése általában súlyos leegyszerűsítés. Pl.: Probléma: Hogyan lehet növelni a tanulási teljesítményt? Kérdés: Hogyan hat a dicséret a teljesítményre? Hipotézis: a gyakran, sokat dicsérő tanárok diákjai jobban teljesítenek. Módszer: Nézzük meg, hogyan teljesítenek a gyakran ill. keveset dicsérő tanárok diákjai. De vigyázat! A dicséret mennyisége nem független a teljesítménytől! (A dolog csak gondosan megtervezett kísérletben ahol az összes szóba jöhető körülményt, azaz független változót szisztematikusan variáljuk vizsgálható korrektül.)

12 A hatás hipotézise egy modellalkotás. A modellalkotás mindig egyszerűsítést jelent, hiszen egyes változókat azáltal, hogy független változónak jelöltük ki őket lényegesnek, más tényezők hatását lényegtelennek minősítjük. Ez bizonyos kockázatot jelent: lehet, hogy a figyelmen kívül hagyott tényezők fontosak, hatásuk (az úgynevezett reziduális hatás) jelentős. lényeges hatások (a vizsgálatba bevont), független változók jelenség függő változók lényegtelen hatások ( zaj, szennyezés, véletlenszerű hatások) reziduum (maradék) reziduális (visszamaradó) hatások 1.8. A mintavétel problémája Alapsokaság (alaphalmaz, populáció): mindazon létezők (dolgok, objektumok, személyek, események) halmaza, amelyek (akik) szóba jöhetnek a vizsgált probléma szempontjából, amikre/akikre a probléma vonatkoztatható egyáltalán. Minta: az alapsokaság azon része, amelyet bevonunk a vizsgálatba. Mintavétel: az az eljárás, amellyel kiválasztjuk az alapsokaság mintába bevont elemeit. A vizsgálat végén következtetéseket vonunk le a tapasztalatok alapján. (Pl. megállapítjuk, mi jellemző a függő változó viselkedésére, eloszlására.) Szigorúan véve ezek a következtetések csak a mintára érvényesek. Mi azonban következtetéseinket ki szeretnénk terjeszteni az alapsokaság egészére. Ha azt mondjuk, ahogy a kérdéses változó az alapsokaságon is hasonló eloszlást mutat, ez azt jelenti, hogy a kérdéses változó viselkedésére vonatkozóan becslést végzünk. Ha a minta megfelelő mértékben hasonlít az alapsokaságra, akkor a becslés pontossága ( jósága ) statisztikai módszerekkel megbecsülhető. A minta akkor reprezentatív, ha reprezentálja az alapsokaságot, azaz hasonló hozzá. A gyakorlatban ez általában egy (vagy több) változóra vonatkoztatva értelmezhető. A reprezentativitás azt jelenti, hogy a kérdéses változó ugyanúgy viselkedik (ugyanolyan eloszlású) a mintán, mint az alapsokaságon.

13 Probléma: a kérdéses változó eloszlását viselkedését még nem ismerjük! A reprezentativitást csak ismert eloszlású változók szerint tudjuk biztosítani. (Tehát azt feltételezzük, hogy a mintánk nemcsak az ismert (független) változó szempontjából, hanem az ismeretlen eloszlású (függő) változót tekintve is reprezentatív.) Hogyan biztosíthatjuk, hogy a mintánk reprezentatív legyen? Véletlen (valószínűségi) mintát kapunk, ha az alapsokaság minden elemének egyforma esélye volt arra, hogy bekerüljön a mintába. Valószínűségi minta esetén a becslés jósága csak a minta nagyságától függ. (A minta nagysága a költségek szempontjából nem közömbös!) A kellő pontossághoz akkor kell kevesebb elem, ha az alapsokaság homogénebb. (Gond, hogy nem mindig tudunk véletlen mintával dolgozni!) Valószínűségi mintavételi eljárások: 1. Egyszerű véletlen mintavétel: véletlen kiválasztás (például úgynevezett véletlen számokkal) az alapsokaság listájából. 2. Szisztematikus mintavétel: minden k-adik elem kiválasztása a listáról. (Csak akkor alkalmazható, ha a lista semmilyen szempontból nem rendezett.) 3. Többlépcsős mintavétel. Akkor alkalmazzuk, ha nincs listánk az alapsokaságról. Az alaphalmaz természetes egységeiből választunk véletlenszerűen, ennek kisebb egységeiből is és így tovább. Pl. ha egy lakótelep lakosai között akarunk vizsgálatot végezni, kiválaszthatunk véletlenszerűen egy házat, utána a lépcsőházat, majd az emeletet, végül egy lakást. 4. Rétegzett mintavétel: engedmény a gazdaságosságnak: az alapsokaságot homogénebb részhalmazokra bontjuk (ezek lesznek a rétegek) valamely változó (ez a rétegképző változó, pl. életkor) értékei szerint. Rétegenként véletlen mintavételt alkalmazunk. (Mivel homogénebb részmintáink vannak, kevesebb elemet kell bevennünk a mintába adott pontosság eléréséhez.) Rejtett feltételezés: a rétegek valójában csak az ismert (rétegképző) változó szempontjából homogénebbek. Tehát az csak feltételezés, hogy a rétegek a számunkra fontos függő változó szempontjából is homogénebbek.)

14 Bizonyos esetekben nem tudjuk teljesíteni a reprezentativitás feltételeit, de esetleg a vizsgálat elvégzése akkor is fontos lehet, ha az általánosíthatóság korlátozott. Ilyenkor ún. nem valószínűségi mintavételi eljárást alkalmazunk. Nem valószínűségi mintavételi eljárások: Olyankor alkalmazzuk, ha nem áll módunkban statisztikai szempontból korrektebb mintavételt végezni. 1. Kvótás mintavétel: a független változó alapsokaságon mutatott eloszlása alapján meghatározzuk, hogy a változók attribútumai szerint képzett alcsoportok milyen százalékos megoszlást mutatnak. Ezeket az arányokat próbáljuk előállítani a mintában is. A mintán tehát a független változók eloszlása hasonlítani fog az alapsokaságéra, de a kvótán belül már nem törekszünk véletlen kiválasztásra, hanem az egyszerűen elérhető alanyokat keressük meg. Pl. ha a vizsgálat szempontjából a nem és az életkor tűnik fontosnak (ezek a független változók), és tudjuk, hogy a pedagógusok 25%-a harmincas nő (és így tovább nemek és korcsoportok szerint), akkor a kérdezőbiztosnak annyit adunk meg, hogy keressen és kérdezzen meg éves pedagógusnőt (100 elemű minta esetén.) 2. Szakértői mintavétel: egy szakértő jelöli ki a mintaelemeket (vagy határozza meg a mintavételi eljárást). Egyszerűen elérhető alanyok elve (pl. hólabda-módszer): akkor alkalmazzuk, ha az alapsokaság elemeit (általában személyeket) csak nagy nehézségek árán tudjuk felkutatni. Ekkor azokat kérdezzük meg, akiket elérünk. (A hólabda-módszernél a megtalált személyt kérjük meg, hogy ajánljon újabb alanyokat. Ha szerencsénk van, a minta így hólabda-szerűen bővül.)

KUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel

KUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból

Részletesebben

Mintavételi eljárások

Mintavételi eljárások Mintavételi eljárások Daróczi Gergely, PPKE BTK 2008. X.6. Óravázlat A mintavétel célja Alapfogalmak Alapsokaság, mintavételi keret, megfigyelési egység, mintavételi egység... Nem valószínűségi mintavételezési

Részletesebben

S atisztika 2. előadás

S atisztika 2. előadás Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana. Domokos Tamás, módszertani igazgató

Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana. Domokos Tamás, módszertani igazgató Közösségi kezdeményezéseket megalapozó szükségletfeltárás módszertana Domokos Tamás, módszertani igazgató A helyzetfeltárás célja A közösségi kezdeményezéshez kapcsolódó kutatások célja elsősorban felderítés,

Részletesebben

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

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

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika 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

Részletesebben

Normális eloszlás tesztje

Normális eloszlás tesztje Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 2 Orvosi biometria Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)

Részletesebben

Statisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában

Statisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában Statisztikai alapok Leíró statisztika Lineáris módszerek a statisztikában Tudományosan és statisztikailag tesztelhető állítások? A keserűcsokoládé finomabb, mint a tejcsoki. A patkány a legrondább állat,

Részletesebben

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás

Részletesebben

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. 1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét

Részletesebben

KÖVETKEZTETŐ STATISZTIKA

KÖVETKEZTETŐ STATISZTIKA ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak

Részletesebben

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.

Részletesebben

Fizika óra. Érdekes-e a fizika? Vagy mégsem? A fizikusok számára ez nem kérdés, ők biztosan nem unatkoznak.

Fizika óra. Érdekes-e a fizika? Vagy mégsem? A fizikusok számára ez nem kérdés, ők biztosan nem unatkoznak. Fizika óra Érdekes-e a fizika? A fizikusok számára ez nem kérdés, ők biztosan nem unatkoznak. A fizika, mint tantárgy lehet ugyan sokak számára unalmas, de a fizikusok világa a nagyközönség számára is

Részletesebben

Statisztika. Politológus képzés. Daróczi Gergely április 24. Politológia Tanszék

Statisztika. Politológus képzés. Daróczi Gergely április 24. Politológia Tanszék Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 24. Outline 1 A mintavételi hiba és konfidencia-intervallum 2 A mintaválasztás A mintaválasztás célja Alapfogalmak A mintaválasztás

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

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

Részletesebben

Kettőnél több csoport vizsgálata. Makara B. Gábor

Kettőnél több csoport vizsgálata. Makara B. Gábor Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10

Részletesebben

A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI

A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI SZENT ISTVÁN EGYETEM GÖDÖLLŐ MECHANIKAI ÉS GÉPTANI INTÉZET A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI Dr. M. Csizmadia Béla egyetemi tanár, az MMK Gépészeti Tagozatának elnöke Budapest 2013. október. 25. BPMK

Részletesebben

y ij = µ + α i + e ij

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

Részletesebben

Előadó: Horváth Judit

Előadó: Horváth Judit Előadó: Horváth Judit mindennapi élet életszituációk problémahelyzetek megoldása meggyőződés tanulási szokások - szövegmegértés - értelmezés - a gondolkodási műveletek használata - problémamegoldás Adott

Részletesebben

Mérés és modellezés 1

Mérés és modellezés 1 Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell

Részletesebben

PIACKUTATÁS (MARKETINGKUTATÁS)

PIACKUTATÁS (MARKETINGKUTATÁS) PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel

Részletesebben

[Biomatematika 2] Orvosi biometria

[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

Részletesebben

Témaválasztás, kutatási kérdések, kutatásmódszertan

Témaválasztás, kutatási kérdések, kutatásmódszertan Témaválasztás, kutatási kérdések, kutatásmódszertan Dr. Dernóczy-Polyák Adrienn PhD egyetemi adjunktus, MMT dernoczy@sze.hu A projekt címe: Széchenyi István Egyetem minőségi kutatói utánpótlás nevelésének

Részletesebben

A társadalomtudományi kutatás teljes íve és alapstratégiái. áttekintés

A társadalomtudományi kutatás teljes íve és alapstratégiái. áttekintés A társadalomtudományi kutatás teljes íve és alapstratégiái áttekintés A folyamat alapvetı felépítését tekintve kétféle sémát írhatunk le: az egyik a kvantitatív kutatás sémája a másik a kvalitatív kutatás

Részletesebben

társadalomtudományokban

társadalomtudományokban Gépi tanulás, predikció és okság a társadalomtudományokban Muraközy Balázs (MTA KRTK) Bemutatkozik a Számítógépes Társadalomtudomány témacsoport, MTA, 2017 2/20 Empirikus közgazdasági kérdések Felváltja-e

Részletesebben

Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)

Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence) Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló

Részletesebben

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Statisztika 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

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján

Részletesebben

Mintavétel. Kovács István BME Menedzsment és Vállalatgazdaságtan. Tanszék

Mintavétel. Kovács István BME Menedzsment és Vállalatgazdaságtan. Tanszék Mintavétel Kovács István BME Menedzsment és Vállalatgazdaságtan Tanszék Alapfogalmaink Sokaság azon elemek összessége, amelyek valamilyen közös jellemzővel bírnak, és megfelelnek a marketingkutatási probléma

Részletesebben

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI, Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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,

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben

A pedagógia mint tudomány. Dr. Nyéki Lajos 2015

A pedagógia mint tudomány. Dr. Nyéki Lajos 2015 A pedagógia mint tudomány Dr. Nyéki Lajos 2015 A pedagógia tárgya, jellegzetes vonásai A neveléstudomány tárgya az ember céltudatos, tervszerű alakítása. A neveléstudomány jellegét tekintve társadalomtudomány.

Részletesebben

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

MÉRÉSI 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

Részletesebben

[Biomatematika 2] Orvosi biometria

[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)

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési 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

Részletesebben

SPONTÁN ASSZOCIÁCIÓK VIZSGÁLATA KÖZÉPISKOLÁS DIÁKOK MŰELEMZÉSEIBEN, SALVADOR DALI ALKOTÁSAI NYOMÁN

SPONTÁN ASSZOCIÁCIÓK VIZSGÁLATA KÖZÉPISKOLÁS DIÁKOK MŰELEMZÉSEIBEN, SALVADOR DALI ALKOTÁSAI NYOMÁN SPONTÁN ASSZOCIÁCIÓK VIZSGÁLATA KÖZÉPISKOLÁS DIÁKOK MŰELEMZÉSEIBEN, SALVADOR DALI ALKOTÁSAI NYOMÁN Témavezető: Dr. Dósa Zoltán Végzős hallgató: Szente Anita 2017. Az érzelmi szenvedés tudattalan konfliktusok

Részletesebben

Mérés és modellezés Méréstechnika VM, GM, MM 1

Mérés és modellezés Méréstechnika VM, GM, MM 1 Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement

Részletesebben

Bizonytalanság. Mesterséges intelligencia április 4.

Bizonytalanság. Mesterséges intelligencia április 4. Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF 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

Részletesebben

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra Vörös Zsuzsanna NÉBIH RFI tervezési referens 2013. április 17. Egy kis felmérés nem kor Következtetések: 1. a jelenlevők nemi megoszlása:

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 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)

Részletesebben

Megerősítéses tanulás 7. előadás

Megerősítéses tanulás 7. előadás Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig

Részletesebben

Példa a report dokumentumosztály használatára

Példa a report dokumentumosztály használatára Példa a report dokumentumosztály használatára Szerző neve évszám Tartalomjegyzék 1. Valószínűségszámítás 5 1.1. Események matematikai modellezése.............. 5 1.2. A valószínűség matematikai modellezése............

Részletesebben

Szocio- lingvisztikai alapismeretek

Szocio- lingvisztikai alapismeretek Szocio- lingvisztikai alapismeretek 10. A szociolingvisztika kialakulásának okai Hagyományos nyelvészet: A nyelv társadalmi normák strukturált halmaza (invariáns, homogén) Noam Chomsky: A nyelvelmélet

Részletesebben

Az empirikus vizsgálatok alapfogalmai

Az empirikus vizsgálatok alapfogalmai Az empirikus vizsgálatok alapfogalmai Az adatok forrása és jellege Milyen kísérleti típusok fordulnak elő a beszédtudományokban? Milyen adatok jönnek ki ezekből? Tudományosan (statisztikailag) megválaszolható

Részletesebben

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision

Részletesebben

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari

Részletesebben

S atisztika 1. előadás

S atisztika 1. előadás Statisztika 1. előadás A kutatás hatlépcsős folyamata 1. lépés: Problémameghatározás 2. lépés: A probléma megközelítésének kidolgozása 3. lépés: A kutatási terv meghatározása 4. lépés: Terepmunka vagy

Részletesebben

Fenomenológiai perspektíva 2. Személyes konstrukciók

Fenomenológiai perspektíva 2. Személyes konstrukciók Fenomenológiai perspektíva 2. Személyes konstrukciók Személyes konstrukciók Kiindulópont: A fizikai valóság, önmagunk és az események megtapasztalása személyenként jelentősen változik személyes képet alakítunk

Részletesebben

Ismeretkörök : 1. Az etika tárgyának definiálása 2. Etikai irányzatok 3. Erkölcsi tapasztalat 4. Moralitás: felelősség, jogok, kötelességek 5.

Ismeretkörök : 1. Az etika tárgyának definiálása 2. Etikai irányzatok 3. Erkölcsi tapasztalat 4. Moralitás: felelősség, jogok, kötelességek 5. Etika Bevezető Oktatási cél: A kurzus célja az etika körébe tartozó fogalmak tisztázása. A félév során olyan lényeges témaköröket járunk körbe, mint erény erkölcsi tudat, szabadság, lelkiismeret, moralitás,

Részletesebben

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

Általános statisztika II. Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László

Általános statisztika II. Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Publication

Részletesebben

A Statisztika alapjai

A Statisztika alapjai A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati

Részletesebben

A mintában szereplő határon túl tanuló diákok kulturális háttérre

A mintában szereplő határon túl tanuló diákok kulturális háttérre Fényes Hajnalka: A Keresztény és a beregszászi II. Rákóczi Ferenc diákjai kulturális és anyagi tőkejavakkal való ellátottsága Korábbi kutatásokból ismert, hogy a partiumi régió fiataljai kedvezőbb anyagi

Részletesebben

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

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

Részletesebben

Pszichológia a Tudomány Világában

Pszichológia a Tudomány Világában Pszichológia a Tudomány Világában Lehet, hogy a szomszéd füve zöldebb, de azt is ugyanolyan nehéz nyírni. - Little Richard Dr. Szabó Attila, PhD Tudomány és Pszichológia A tudomány a tudás forrása Megbízható

Részletesebben

3. A mintavételi kockázat elfogadható szintjének meghatározása (pl. 5 vagy 10%)

3. A mintavételi kockázat elfogadható szintjének meghatározása (pl. 5 vagy 10%) MINTAVÉTELEZÉSI ELJÁRÁSOK A mintavételezés célja A statisztikai és nem statisztikai mintavételi eljárások során az ellenőr megtervezi és kiválasztja az ellenőrzési mintát, valamint kiértékeli a mintavétel

Részletesebben

Az első számjegyek Benford törvénye

Az első számjegyek Benford törvénye Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm

Részletesebben

Mintavétel a gyakorlatban

Mintavétel a gyakorlatban Mintavétel a gyakorlatban Tóth Gergely ELTE-TÁTK, Doktori iskola Statisztika tanszék 1 Hol találkozhatunk mintavétellel Közvéleménykutatások A XY Intézet 2011. október 17-19. között, 500 fő telefonos megkérdezésével,

Részletesebben

Értékesítések (összes, geográfiai -, ügyfelenkénti-, termékenkénti megoszlás)

Értékesítések (összes, geográfiai -, ügyfelenkénti-, termékenkénti megoszlás) Saját vállalkozás Értékesítések (összes, geográfiai -, ügyfelenkénti-, termékenkénti megoszlás) Piaci részesedés Haszonkulcs Marketing folyamatok Marketing szervezet Értékesítési/marketing kontrol adatok

Részletesebben

Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő

Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő Mintaterületek kijelölésének javasolt módjai kapás sortávú növényekre Miért is kell mintatér?

Részletesebben

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés Kvantitatív kutatás mire figyeljünk?. Tartalom Kutatási kérdés Mintaválasztás Kérdésfeltevés Elemzés Jánossy Ferenc Szakkollégium- TDK felkészítő előadások sorozat, 2016. február Óbudai Egyetem Mintavétel

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

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

Részletesebben

Csima Judit október 24.

Csima Judit október 24. Adatbáziskezelés Funkcionális függőségek Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. október 24. Csima Judit Adatbáziskezelés Funkcionális függőségek 1 / 1 Relációs sémák

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

Részletesebben

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely. Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak

Részletesebben

Szerzők: Kmetty Zoltán Lektor: Fokasz Nikosz TÁMOP A/1-11/ INFORMÁCIÓ - TUDÁS ÉRVÉNYESÜLÉS

Szerzők: Kmetty Zoltán Lektor: Fokasz Nikosz TÁMOP A/1-11/ INFORMÁCIÓ - TUDÁS ÉRVÉNYESÜLÉS Kutatásmódszertan és prezentációkészítés 2. rész: Kutatási terv készítése Szerzők: Kmetty Zoltán Lektor: Fokasz Nikosz Második rész Kutatási terv készítése (Babbie 2008 alapján) Tartalomjegyzék Kutatási

Részletesebben

Szerző: Sztárayné Kézdy Éva Lektor: Fokasz Nikosz TÁMOP-4.1.2.A/1-11/1-2011-0091 INFORMÁCIÓ - TUDÁS ÉRVÉNYESÜLÉS

Szerző: Sztárayné Kézdy Éva Lektor: Fokasz Nikosz TÁMOP-4.1.2.A/1-11/1-2011-0091 INFORMÁCIÓ - TUDÁS ÉRVÉNYESÜLÉS Kutatásmódszertan és prezentációkészítés Szerző: Sztárayné Kézdy Éva Lektor: Fokasz Nikosz Első rész Bevezetés a tudományos elemzésbe Tartalomjegyzék Mi a Tudomány? A világ megismerésére szolgáló egyéb

Részletesebben

Matematika III. 2. Eseményalgebra Prof. Dr. Závoti, József

Matematika III. 2. Eseményalgebra Prof. Dr. Závoti, József Matematika III. 2. Eseményalgebra Prof. Dr. Závoti, József Matematika III. 2. : Eseményalgebra Prof. Dr. Závoti, József Lektor : Bischof, Annamária Ez a modul a TÁMOP - 4.1.2-08/1/A-2009-0027 Tananyagfejlesztéssel

Részletesebben

Populációbecslések és monitoring

Populációbecslések és monitoring Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány

Részletesebben

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23 TARTALOMJEGYZÉK 1. téma Átlagbecslés (Barna Katalin).... 7 2. téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23 3. téma Összefüggések vizsgálata, korrelációanalízis (Dr. Molnár Tamás)... 73 4. téma Összefüggések

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő

Részletesebben

1/50. Teljes indukció 1. Back Close

1/50. Teljes indukció 1. Back Close 1/50 Teljes indukció 1 A teljes indukció talán a legfontosabb bizonyítási módszer a számítástudományban. Teljes indukció elve. Legyen P (n) egy állítás. Tegyük fel, hogy (1) P (0) igaz, (2) minden n N

Részletesebben

Nemzetközi számvitel. 12. Előadás. IAS 8 Számviteli politika, a számviteli becslések változásai és hibák. Dr. Pál Tibor

Nemzetközi számvitel. 12. Előadás. IAS 8 Számviteli politika, a számviteli becslések változásai és hibák. Dr. Pál Tibor Dr. Pál Tibor Nemzetközi számvitel 12. Előadás IAS 8 Számviteli politika, a számviteli becslések változásai és hibák 2014.05.13. IAS 8 Bevételek 2 Az IAS 8 célja A fejezet célja, hogy bemutassa Hogyan

Részletesebben

Verbális adatszerzési technikák. interjú

Verbális adatszerzési technikák. interjú Verbális adatszerzési technikák interjú Az interjú a kérdıívekkel együtt a társadalomtudományokban nagyon gyakran használt felmérés (survey) módszer egyik fajtája. A felmérés információgyőjtı módszer leíró

Részletesebben

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé.

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. HA 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) HA 2 Halmazok HA 3 Megjegyzések A halmaz, az elem és az eleme fogalmakat nem definiáljuk, hanem alapfogalmaknak

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

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.

Részletesebben

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,

Részletesebben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Matematikai 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

Részletesebben

Bevezetés a pszichológia néhány alapfogalmába

Bevezetés a pszichológia néhány alapfogalmába Bevezetés a pszichológia néhány alapfogalmába (Készítette: Osváth Katalin tanácsadó szakpszichológus) Országos Betegjogi, Ellátottjogi, Gyermekjogi és Dokumentációs Központ 2015. ÁPRILIS. 01. TÁMOP 5.5.7-08/1-2008-0001

Részletesebben

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1 Halmazok 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 2 A fejezet legfontosabb elemei Halmaz megadási módjai Halmazok közti műveletek (metszet,

Részletesebben

FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20.

FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20. FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) 2010. október 20. A kutatási terv fogalmának, a különbözı kutatási módszerek osztályozása, a feltáró és a következtetı kutatási módszerek közötti különbségtétel

Részletesebben

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

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

Részletesebben

3. Az indukció szerepe

3. Az indukció szerepe 3. Az indukció szerepe Honnan jönnek a hipotézisek? Egyesek szerint az előzetesen összegyűjtött adatokból induktív (általánosító) következtetések útján. [Az induktív következtetésekről l. Kutrovátz jegyzet,

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél

Részletesebben