PDF created with FinePrint pdffactory Pro trial version Adott egy X folytonos változó, ami normális eloszlású.
|
|
- Botond Rácz
- 7 évvel ezelőtt
- Látták:
Átírás
1 Á dott egy X folytonos változó, ami normális eloszlású. X ( µ,σ ) dottak ezen kívül az Y,Y,,Y k diszkrét változók (faktorok) total H 0 : X - re nincs hatással Y Q = Q + Q Q + Q + Q Q k hiba minta teles szórásnégyzete Q total ( ) = i Á dott egy X folytonos változó, ami normális eloszlású. X ( µ,σ ) dottak ezen kívül az Y,Y,,Y k diszkrét változók (faktorok) total H 0 : X - re nincs hatással Y Q = Q + Q Q... + Qk + Q + Q3 hiba z Y magyarázta rész Á dott egy X folytonos változó, ami normális eloszlású. X ( µ,σ ) dottak ezen kívül az Y,Y,,Y k diszkrét változók (faktorok) total H 0 : X - re nincs hatással Y Q = Q + Q + Q Q Q Q... + k hiba z első két faktor interakcióához tartozó rész
2 Á dott egy X folytonos változó, ami normális eloszlású. X ( µ,σ ) dottak ezen kívül az Y,Y,,Y k diszkrét változók (faktorok) total H 0 : X - re nincs hatással Y Q = Q + Q Q + Q + Q Q k hiba véletlen hiba okozta rész gyszerű csoportosítás Á X Y dolgozó fizetése dolgozó beosztása (tisztviselő, őrző-védő, menedzser) H 0 : beosztás nincs hatással a fizetésre ( t) ( t) ( t) ( v) ( v) ( v) ( m) ( m) ( m,,...,,,,...,,,,..., ) n n n t v m Á gyszerű csoportosítás Csoportátlagok: nt nv nm m v ( t ) = ( t ) ( ) = ( v ) ( ) = ( m ) nt = nv = nm = égyzetösszegek: nv nm ( ( t ) ) + ( ( v ) ) + ( ( m ) ) nt Q total = = = = ( t) v m ( ) + ( ) nv( ) + ( nm( ) Q k = ) nt Q nt nv = + v v nm + m m ( t) ( t) ( ) ( ) ( ) ( ) b ( ) ( ) ( ) = = =
3 gyszerű csoportosítás Q total = Q k + Q b Á H0 H Q k 3 Q b n 3 F-eloszlású (, n-3) m t Q ( ) b nm + ( ) ± nt tε n 3 nm nv tudent(n-3) 3
4 Descriptives Miles per allon 95% Confidence nterval for Mean Mean td. Deviation td. rror Lower Bound Upper Bound Minimum Maimum merican 48 0,3 6,377,405 9,33 0, uropean 70 7,89 6,74,804 6,9 9, Japanese 79 30,45 6,090,685 9,09 3, Total 397 3,55 7,79,39,78 4, Test of Homogeneity of Variances Miles per allon Levene tatistic df df ig.,06 394,900 OV Miles per allon um of quares df Mean quare F ig. Between roups 7984, ,479 97,969,000 Within roups 6056, ,75 Total 404, eport Miles per allon Country of Origin merican uropean Japanese Total Mean td. Deviation 0,3 6, , ,74 30, ,090 3, ,79 Multiple Comparisons Dependent Variable: Miles per allon LD Mean Difference 95% Confidence nterval () Country of Origin (J) Country of Origin (-J) td. rror ig. Lower Bound Upper Bound merican uropean -7,763*,864,000-9,46-6,06 Japanese -0,3*,85,000 -,94-8,70 uropean merican 7,763*,864,000 6,06 9,46 Japanese -,559*,048,05-4,6 -,50 Japanese merican 0,3*,85,000 8,70,94 uropean,559*,048,05,50 4,6 *. The mean difference is significant at the.05 level. 4
5 Y függőváltozó X, X,... X p független változók Y f(x, X,... X p ) becslés f F (Y- f * (X, X,... X p )) = min (Y-f(X, X,... X p )) f F legkisebb négyzetek módszere. n h(a,b,c,...) = Σ (Y i -f(x i, X i,... X pi,a,b,c,... )) i= min a,b,c,... Lineáris regresszió f(x) = B 0 + B X Többváltozós lineáris regresszió f(x, X,...,X p ) = B 0 + B X + B X B p X p Polinomiális regresszió f(x, X,...,X p ) = B 0 + B X + B X B p X p X =X, X =X,..., X p =X p Kétparaméteres (lineárisra visszavezethető) regresszió pl. Y=f(X) = B o e B X lny= B X + lnb o. Kétparaméteres (lineárisra visszavezethető) regresszió y + = b0 + b b quadratic y = b 0 b compound y = ep( b0 + b ) growth y = b + b ln logarithmic y = b b + b + b3 cubic 3 b y = ep b0 + y = b0 + ep( b ) eponential b y = b + 0 inverse y + b = b0 power y = / u + b + b 0 logistic 5
6 emlineáris regresszió f(x) = B + B ep(b 3 X) aszimptotikus.. f(x) = B -B (B 3 ) X f(x) = (B + B X) -/B3 f(x) = B (-B 3 ep(b X )) f(x) = B ep( -B ep( -B 3 X ))) f(x) = B ep( -B /(X + B 3 )) aszimptotikus. sűrűség auss ompertz Johnson-chumacher emlineáris regresszió f(x) = (B + B 3 X) B f(x) = B -ln( + B ep( -B 3 X ) f(x) = B + B ep( -B 3 X ) f(x) = B X / (X + B ) log-módosított log-logisztikus Metcherlich Michaelis Menten V. f(x) = (B B +B 3 X B4 )/(B + X B4 ) Morgan-Merczer-Florin f(x) = B /(+B ep( -B 3 X +B 4 X + B 5 X 3 )) Peal-eed V. emlineáris regresszió f(x) = (B + B X +B 3 X + B 4 X 3 )/ B 5 X 3 f(x) = (B + B X +B 3 X )/ B 4 X f(x) = B /((+B 3 ep(b X)) (/B4) f(x) = B /((+B 3 ep(b X)) f(x) = (B (-B4) B ep( -B 3 X)) /(-B4) f(x) = B -B ep( -B 3 X B4 ) f(x) = /(B + B X +B 3 X ) köbök aránya négyzetek aránya ichards Verhulst Von Bertalanffy Weibull Yield sűrűség 6
7 zakaszonkénti lineáris regresszió V. Poligoniális regresszió V. Többváltozós lineárisis regresszió kategória-változóval V. 7
8 Logisztikusregresszió, ha az esemény bekövetkezik Y dichotóm Y= { 0, ha az esemény nem következik be X, X,...,X p választó fog szavazni páciensnek szívinfarktusa lesz z üzletet meg fogák kötni ordinális szintű független változók X. eddig hányszor ment el, kor, iskola, övedelem napi cigi, napi pohár, kor, stressz ár, mennyiség, piaci forgalom, raktárkészlet Logisztikusregresszió P(Y=) = P() -e - = B 0 + B X + B X B p X p P() ODD = -P() e log (ODD) = = B 0 + B X + B X B p X p X. Logisztikusregresszió legnagyobb valószínűség elve L(ε,ε,...,ε n ) = P(Y = ε, Y = ε,..., Y n = ε n ) = = P(Y = ε ) P(Y = ε ) L P(Y n = ε n ) L -e - -e - -e -n X. ln L(ε,ε,...,ε n ) =Σ ( ln ) -ep(b 0 + B X + B X B p X p ) 8
9 Lineáris regresszió lineáris kapcsolat kitüntetett: () a legegyszerűbb és leggyakoribb. () két dimenziós normális eloszlás esetén a kapcsolat nem is lehet más (vagy lineáris vagy egyáltalán nincs). X. Lineáris regresszió teles négyzetösszeg maradékösszeg regressziós összeg X. lineáris regresszió Q = Q res + Q reg y res reg (, y ) yˆ i ( i, y i ) ( i, ˆ ) y i = B 0 + B i 0 9
10 lineáris regresszió teles négyzetösszeg felbontása: Q = Q res + Q reg f reg szabadsági foka n-, mert n tagú az összeg, de ezek között két összefüggés van. f res szabadsági foka mindössze, mert az átlag konstans Ha nincs lineáris regresszió, a varianciákhányadosa (, n-) szabadsági fokú F eloszlást követ. F = Q reg s f Q ( n ) reg reg reg = = s Q res res Q res f res lineáris regresszió legkisebb négyzetek módszere alapelve: y yˆ i = B 0 + B i ( 5, y 5) ( 3, y 3) e 5 0 e 3 e 4 (, y ) e e ( 4, y 4) (, y ) egressziós kapcsolat keresése változók között 0
11
12 ummary Country of Origin = merican dusted td. rror of (elected) quare quare the stimate,90 a,846,845 38,866 a. Predictors: (Constant), Vehicle Weight (lbs.) OV b,c um of quares df Mean quare F ig. egression ,04 376,806,000 a esidual 37948,4 5 50,55 Total a. Predictors: (Constant), Vehicle Weight (lbs.) b. Dependent Variable: ngine Displacement (cu. inches) c. electing only cases for which Country of Origin = merican Coefficients a,b Unstandardized tandardized Coefficients Coefficients B td. rror Beta t ig. (Constant) -40,9 0,736-3,058,000 Vehicle Weight (lbs.),5,003,90 37,05,000 a. Dependent Variable: ngine Displacement (cu. inches) b. electing only cases for which Country of Origin = merican ummary Country of Origin = uropean dusted td. rror of (elected) quare quare the stimate,895a,80,798 0,045 a. Predictors: (Constant), Vehicle Weight (lbs.) OV b,c um of quares df Mean quare F ig. egression887, ,390 86,54,000 a esidual 763, ,898 Total 36036,64 7 a. Predictors: (Constant), Vehicle Weight (lbs.) b. Dependent Variable: ngine Displacement (cu. inches) c. electing only cases for which Country of Origin = uropean Coefficients a,b Unstandardized tandardized Coefficients Coefficients B td. rror Beta t ig. (Constant) 0,75 5,980,78,090 Vehicle Weight (lbs.),04,00,895 6,96,000 a. Dependent Variable: ngine Displacement (cu. inches) b. electing only cases for which Country of Origin = uropean
13 ummary Country of Origin = Japanese dusted td. rror of (elected) quare quare the stimate,84a,708,704,585 a. Predictors: (Constant), Vehicle Weight (lbs.) OV b,c um of quares df Mean quare F ig. egression 9570, ,77 86,703,000 a esidual 95, ,384 Total 4766, a. Predictors: (Constant), Vehicle Weight (lbs.) b. Dependent Variable: ngine Displacement (cu. inches) c. electing only cases for which Country of Origin = Japanese Coefficients a,b Unstandardized tandardized Coefficients Coefficients B td. rror Beta t ig. (Constant) -3,35 9,977-3,3,00 Vehicle Weight (lbs.),06,004,84 3,664,000 a. Dependent Variable: ngine Displacement (cu. inches) b. electing only cases for which Country of Origin = Japanese Variables ntered/emoved b,c Variables ntered ngine Displacem ent (cu. inches), Time to ccelerate from 0 to 60 mph (sec), Horsepow er, Vehicle Weight (lbs.) a Variables emoved Method. nter a. ll requested variables entered. b. Dependent Variable: Miles per allon c. s are based only on cases for which Country of Origin = merican ummary Country of Origin = merican dusted td. rror of (elected) quare quare the stimate,865a,748,744 3,44 a. Predictors: (Constant), ngine Displacement (cu. inches), Time to ccelerate from 0 to 60 mph (sec), Horsepower, Vehicle Weight (lbs.) 3
14 OV b,c um of quares df Mean quare F ig. egression 748, ,75 77,730,000 a esidual 55, ,56 Total 9998,59 43 a. Predictors: (Constant), ngine Displacement (cu. inches), Time to ccelerate from 0 to 60 mph (sec), Horsepower, Vehicle Weight (lbs.) b. Dependent Variable: Miles per allon c. electing only cases for which Country of Origin = merican Coefficients a,b Unstandardized tandardized Coefficients Coefficients B td. rror Beta t ig. (Constant) 46,60,498 8,66,000 Horsepower -,09,05 -,7 -,59,09 Vehicle Weight (lbs.) -,003,00 -,34-3,64,000 Time to ccelerate -,49,9 -,83-3,35,00 from 0 to 60 mph (sec) ngine Displacement -,034,007 -,59-4,80,000 (cu. inches) a. Dependent Variable: Miles per allon b. electing only cases for which Country of Origin = merican Variables ntered/emoved a,b Variables Variables ntered emoved Method tepwise (Criteria: Probabilit y-of- Vehicle F-to-enter Weight. <=,050, (lbs.) Probabilit y-of- F-to-remo ve >=,00). tepwise (Criteria: Probabilit y-of- ngine F-to-enter Displacem. <=,050, ent (cu. Probabilit inches) y-of- F-to-remo ve >=,00). 3 tepwise (Criteria: Probabilit Time to y-of- ccelerate F-to-enter from 0 to. <=,050, 60 mph Probabilit (sec) y-of- F-to-remo ve >=,00). a. Dependent Variable: Miles per allon b. s are based only on cases for which Country of Origin = merican 4
15 ummary Country of Origin = merican dusted td. rror of (elected) quare quare the stimate,845 a,73,7 3,44,858 b,736,734 3,308 3,864 c,747,744 3,48 a. Predictors: (Constant), Vehicle Weight (lbs.) b. Predictors: (Constant), Vehicle Weight (lbs.), ngine Displacement (cu. inches) c. Predictors: (Constant), Vehicle Weight (lbs.), ngine Displacement (cu. inches), Time to ccelerate from 0 to 60 mph (sec) OV d,e um of quares df Mean quare F ig. egression 73,60 73,60 60,987,000 a esidual 866,99 4,847 Total 9998,59 43 egression 7360, , ,98,000 b esidual 637, ,944 Total 9998, egression 7466, ,734 35,869,000 c esidual 53, ,55 Total 9998,59 43 a. Predictors: (Constant), Vehicle Weight (lbs.) b. Predictors: (Constant), Vehicle Weight (lbs.), ngine Displacement (cu. inches) c. Predictors: (Constant), Vehicle Weight (lbs.), ngine Displacement (cu. inches), Time to ccelerate from 0 to 60 mph (sec) d. Dependent Variable: Miles per allon e. electing only cases for which Country of Origin = merican Coefficients a,b Unstandardized tandardized Coefficients Coefficients B td. rror Beta t ig. (Constant) 43,04,964 44,75,000 Vehicle Weight (lbs.) -,007,000 -,845-4,535,000 (Constant) 39,64,96 33,48,000 Vehicle Weight (lbs.) -,004,00 -,490-5,8,000 ngine Displacement -,05,005 -,386-4,578,000 (cu. inches) 3 (Constant) 44,73,989,476,000 Vehicle Weight (lbs.) -,003,00 -,377-4,76,000 ngine Displacement -,038,007 -,580-5,66,000 (cu. inches) Time to ccelerate -,336,07 -,43-3,58,00 from 0 to 60 mph (sec) a. Dependent Variable: Miles per allon b. electing only cases for which Country of Origin = merican 3 Horsepower Time to ccelerate from 0 to 60 mph (sec) ngine Displacement (cu. inches) Horsepower Time to ccelerate from 0 to 60 mph (sec) Horsepower cluded Variables d a. Predictors in the : (Constant), Vehicle Weight (lbs.) Collinearity tatistics Partial Correlation Beta n t ig. Tolerance -,40a -,43,06 -,43,30,009 a,6,8,05,794 -,386 a -4,578,000 -,83,54,059b,75,453,049,80 -,43 b -3,58,00 -,00,53 -,7c -,59,09 -,08, b. Predictors in the : (Constant), Vehicle Weight (lbs.), ngine Displacement (cu. inches) c. Predictors in the : (Constant), Vehicle Weight (lbs.), ngine Displacement (cu. inches), Time to ccelerate from 0 to 60 mph (sec) d. Dependent Variable: Miles per allon 5
16 ummary and Parameter stimates Dependent Variable: Miles per allon ummary Parameter stimates quation quare F df df ig. Constant b Linear,595 57, ,000 39,855 -,57 Logarithmic,658 75,88 390,000 08,45-8,536 nverse, ,63 390,000 3, ,07 Power, , ,000 03,877 -,836 ponential, , ,000 47,300 -,007 Logistic, , ,000,0,007 The independent variable is Horsepower. 6
17 Dependent Variable: Miles per allon ummary and Parameter stimates quation Power ummary Parameter stimates Constant b quare F df df ig., , ,000 03,877 -,836 The independent variable is Horsepower. OV egression esidual Total um of quares df Mean quare F ig. 3,889 3, ,576,000 3,3 390,034 45,0 39 The independent variable is Horsepower. Coefficients ln(horsepower) (Constant) Unstandardized tandardized Coefficients Coefficients B td. rror Beta t ig. -,836,07 -,840-30,554,000 03,877 8,800 7,949,000 The dependent variable is ln(miles per allon). 7
Bevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
RészletesebbenEsettanulmány. A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre. Tartalomjegyzék. 1. Bevezetés... 2
Esettanulmány A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre Tartalomjegyzék 1. Bevezetés... 2 2. A lineáris modell alkalmazhatóságának feltételei... 2 3. A feltételek teljesülésének
RészletesebbenStatisztika II előadáslapok. 2003/4. tanév, II. félév
Statisztika II előadáslapok 3/4 tanév, II félév BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT Egyik konzervgyár vágott zöldbabot exportál A szabvány szerint az üvegek nettó töltősúlyának az átlaga 3 g, a szórása 5 g Az
RészletesebbenEsetelemzések az SPSS használatával
Esetelemzések az SPSS használatával 1. Tekintsük az spearman.sav állományt, amely egy harminc tehenet számláló állomány etetés- és fejéskori nyugtalansági sorrendjét tartalmazza. Vizsgáljuk meg, hogy van-e
RészletesebbenStatisztika II. feladatok
Statisztika II. feladatok 1. Egy női ruhákat és kiegészítőket forgalmazó üzletlánc 118 egységénél felmérést végzett arról, milyen tényezők befolyásolják a havi összbevételüket (EUR). a) Pótolja ki a táblázatok
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
RészletesebbenEsetelemzés az SPSS használatával
Esetelemzés az SPSS használatával A gepj.sav fileban négy különböző típusú, összesen 80 db gépkocsi üzemanyag fogyasztási adatai találhatók. Vizsgálja meg, hogy befolyásolja-e az üzemanyag fogyasztás mértékét
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.
Correlation & Linear Regression in SPSS Petra Petrovics PhD Student Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise
RészletesebbenStatisztikai szoftverek esszé
Statisztikai szoftverek esszé Dávid Nikolett Szeged 2011 1 1. Helyzetfelmérés Adott egy kölcsön.txt nevű adatfájl, amely információkkal rendelkezik az ügyfelek életkoráról, családi állapotáról, munkaviszonyáról,
RészletesebbenCorrelation & Linear Regression in SPSS
Correlation & Linear Regression in SPSS Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise 1 - Correlation File / Open
RészletesebbenLOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála a független változó: névleges vagy sorrendi vagy folytonos skála BIOMETRIA2_NEMPARAMÉTERES_5 1 Y: visszafizeti-e a hitelt x: fizetés (életkor)
RészletesebbenBIOMETRIA_ANOVA_2 1 1
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenKISTERV2_ANOVA_
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
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:
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
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:
RészletesebbenGyőrBike a győri közösségi bérkerékpár rendszer első éve
GyőrBike a győri közösségi bérkerékpár rendszer első éve Magyar Urbanisztikai Társaság Győr-Moson-Sopron megyei csoportja MTA KRTK RKI Nyugat-magyarországi Tudományos Osztály Smart City rendezvénysorozat
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenLogisztikus regresszió
Logisztikus regresszió 9. előadás Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó () Nem metrikus Metrikus Kereszttábla
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
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
Részletesebben: az i -ik esélyhányados, i = 2, 3,..I
Kabos: Adatelemzés Ordinális logisztikus regresszió-1 Többtényezős regresszió (az adatelemzésben): Y közelítése b 1 X 1 + b 2 X 2 +... + b J X J alakban, y n = b 1 x n,1 + b 2 x n,2 +... + b J x n,j +
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
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
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenNormál eloszlás. Gyakori statisztikák
Normál eloszlás Átlag jól jellemzi az adott populációt folytonos eloszlás (pl. lottó minden szám egyszer fordul elő) kétkúpú eloszlás (IQ mindenki vagy zseni vagy félhülye, átlag viszont azt mutatja,
RészletesebbenMI MOZGATJA A HATÁRIDŐS DEVIZAPOZÍCIÓKAT? A magyar piac elemzése
MI MOZGATJA A HATÁRIDŐS DEVIZAPOZÍCIÓKAT? A magyar piac elemzése Dömötör Barbara Kovács Erzsébet Budapesti Corvinus Egyetem XXXII. Magyar Operációkutatás Konferencia Cegléd, 2017. június 14. Vállalati
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
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
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.
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
RészletesebbenMódszertani hozzájárulás a Szegénység
Módszertani hozzájárulás a Szegénység Többváltozós Statisztikai Méréséhez MTA doktori értekezés főbb eredményei Hajdu ottó BCE KTK Statisztika Tanszék BME GTK Pénzügyek Tanszék Hajdu Ottó 1 Egyváltozós
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
RészletesebbenFeltesszük, hogy a mintaelemek között nincs két azonos. ha X n a rendezett mintában az R n -ik. ha n 1 n 2
Kabos: Ordinális változók Hipotézisvizsgálat-1 Minta: X 1, X 2,..., X N EVM (=egyszerű véletlen minta) X-re Feltesszük, hogy a mintaelemek között nincs két azonos. Rendezett minta: X (1), X (2),..., X
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
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
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenKerékpáros közösségi kölcsönző rendszer működésének szabályszerűségei
Kerékpáros közösségi kölcsönző rendszer működésének szabályszerűségei MRTT XV. Vándorgyűlés MRTT XV. Vándorgyűlés Mosonmagyaróvár 2017. okt. 19-20. Önálló kerékpárflotta - smart A közösségi kerékpárrendszerekről
RészletesebbenTöbbváltozós lineáris regresszió 3.
Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
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,
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:
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,
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenOsztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton
Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke
RészletesebbenDiszkriminancia-analízis
Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
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
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
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
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis
Factor Analysis Factor analysis is a multiple statistical method, which analyzes the correlation relation between data, and it is for data reduction, dimension reduction and to explore the structure. Aim
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenLogisztikus regresszió
Logisztikus regresszió Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó (x) Nem metrikus Metrikus Kereszttábla elemzés
RészletesebbenEgyszempontos variancia analízis. Statisztika I., 5. alkalom
Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek
RészletesebbenStatisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák
Statisztikai hipotézisvizsgálatok Paraméteres statisztikai próbák 1. Magyarországon a lakosság élelmiszerre fordított kiadásainak 2000-ben átlagosan 140 ezer Ft/fő volt. Egy kérdőíves felmérés során Veszprém
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.
RészletesebbenLineáris regresszió vizsgálata resampling eljárással
Lineáris regresszió vizsgálata resampling eljárással Dolgozatomban az European Social Survey (ESS) harmadik hullámának adatait fogom felhasználni, melyben a teljes nemzetközi lekérdezés feldolgozásra került,
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Logistic regression. Quantitative Statistical Methods. Dr.
Logistic regression Quantitative Statistical Methods Dr. Szilágyi Roland Dependent (y) Quantit ative Qualitative Gazdaságtudományi Kar Connection Analysis Qualitative Independent variable() Quantitative
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenA modellben az X és Y változó szerepe nem egyenrangú: Y (x n )
Kabos: Adatelemzés Regresszió-1 Regresszió (az adatelemzésben): Y (x n ) = l(x n ) + ε n, n = 1, 2,.., N, ahol ε 1,.., ε N független N(0, σ 2 ) eloszlású valószínűségi változók, és σ ismeretlen paraméter,
RészletesebbenTovábblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,
Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenVálasztási modellek 3
Választási modellek 3 Prileszky István Doktori Iskola 2018 http://www.sze.hu/~prile Forrás: A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models Prepared For U.S. Department
RészletesebbenVariancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?
Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
Részletesebbeny 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
RészletesebbenGyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos
Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek Dr. Dombi Ákos (dombi@finance.bme.hu) ESETTANULMÁNY 1. Feladat: OTP részvény átlagárfolyamának (Y=AtlAr) stacionaritás
RészletesebbenA biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, hipotézisvizsgálatok Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet Hipotézisvizsgálatok A hipotézisvizsgálat során a rendelkezésre álló adatok (statisztikai
RészletesebbenTÖBBSZÖRÖS REGRESZIÓS ANALÍZIS I. Többszörös lineáris regresszió. Füst György
TÖBBSZÖRÖS REGRESZIÓS ANALÍZIS I. Többszörös lineáris regresszió Füst György Többszörös regresszió I. miért elengedhetetlen a többszörös regressziós számítás? a többszörös regressziós számítások fajtái
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
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:
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
RészletesebbenA HAZAI SPORTFINANSZÍROZÁSI RENDSZER HATÉKONYSÁGA AZ ÉLSPORTBAN
A HAZAI SPORTFINANSZÍROZÁSI RENDSZER HATÉKONYSÁGA AZ ÉLSPORTBAN GULYÁS Erika, STERBENZ Tamás, CSURILLA Gergely, JUHÁSZ Gábor Testnevelési Egyetem // Sportgazdasági és Döntéstudományi Kutatóközpont NYERGES
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,
RészletesebbenVirág Katalin. Szegedi Tudományegyetem, Bolyai Intézet
Függetleségvizsgálat Virág Katali Szegedi Tudomáyegyetem, Bolyai Itézet Függetleség Függetleség Két változó függetle, ha az egyik változó megfigyelése a másik változóra ézve em szolgáltat iformációt; azaz
RészletesebbenA gravitációs modell felhasználása funkcionális távolságok becslésére
A gravitációs modell felhasználása funkcionális távolságok becslésére Dusek Tamás egyetemi tanár Széchenyi István Egyetem Eger, 2015. november 20. Gravitációs modell "A" város "B" város 100 000 lakos 100
RészletesebbenA 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
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenKorreláció, regresszió. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
Korreláció, regresszió Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Két folytonos változó közötti kapcsolat Tegyük fel, hogy 6 hallgató a következő válaszokat adta egy felmérés
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
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,
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenPhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats
PhEur... Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats 00 80 60 0 0 00 80 60 0 0 catterplot of multiple variables against dose PhEur_.sta
RészletesebbenSPSS ÉS STATISZTIKAI ALAPOK II.
SPSS ÉS STATISZTIKAI ALAPOK II. Bevezetés A második negyedéves anyag alapvetően olyan statisztikai elemzéseket tartalmaz, amelyek átlagok összehasonlítására alkalmasak. Tipikus kérdések: 1) Intelligensebbek-e
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
Részletesebbeny ij e ij BIOMETRIA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 7. Előad Variancia-anal Lineáris modell ltozó bontását t jelenti.
Elmélet let BIOMETRIA 7. Előad adás Variancia-anal Lineáris modellek A magyarázat a függf ggő változó teljes heterogenitásának nak két k t részre r bontását t jelenti. A teljes heterogenitás s egyik része
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
RészletesebbenPopulációbecslés és monitoring. Eloszlások és alapstatisztikák
Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk
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
RészletesebbenBemenet modellezése II.
Bemenet modellezése II. Vidács Attila 2005. november 3. Hálózati szimulációs technikák, 2005/11/3 1 Kiszolgálási id k modellezése Feladat: Egy bemeneti modell felállítása egy egy kiszolgálós sorbanállási
RészletesebbenTúlélés elemzés október 27.
Túlélés elemzés 2017. október 27. Néhány példa Egy adott betegség diagnózisától kezdve mennyi ideje van hátra a páciensnek? Tipikusan mennyi ideig élhet túl? Bizonyos ráktípus esetén mennyi idő telik el
RészletesebbenStatisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
RészletesebbenA többváltozós lineáris regresszió 1.
2018. szeptember 17. Lakásár adatbázis - részlet eredmény- és magyarázó jellegű változók Cél: egy eredményváltozó alakulásának jellemzése a magyarázó változók segítségével Legegyszerűbb eset - kétváltozós
RészletesebbenStatisztika 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,
RészletesebbenStatisztika 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