Statisztikai alapismeretek amit feltétlenül tudni kell

Hasonló dokumentumok
ANOVA. Egy faktor szerinti ANOVA. Nevével ellentétben nem szórások, hanem átlagok összehasonlítására szolgál. Több független mintánk van, elemszámuk

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ANOVA ( ) 2. χ σ. α ( ) 2. y y y p p y y = + + = + + p p r. Fisher-Cochran-tétel

Képletgyűjtemény a Gazdaságstatisztika tárgy A matematikai statisztika alapjai című részhez

VARIANCIAANALÍZIS (ANOVA) véletlen faktorok esetén

Post hoc analízisek BIOMETRIA. LSD-teszt (legkisebb szignifikáns ns differencia) Bonferroni-teszt. LSD Bonferroni Student-Newman

A m becslése. A s becslése. A (tapasztalati) szórás. n m. A minta és a populáció kapcsolata. x i átlag

Regresszióanalízis. Lineáris regresszió

BIOMETRIA_ANOVA_2 1 1

KISTERV2_ANOVA_

RANGSOROLÁSON ALAPULÓ NEM-PARAMÉTERES PRÓBÁK

ANOVA. Mekkora különbséget tudnánk kimutatni? Statistics>Power Analysis>Several Means, ANOVA 1-Way

Máté: Orvosi képalkotás

Populáció nagyságának felmérése, becslése

Biológiai anyagok hatásának értékelése, ha közvetlen fizikai vagy kémiai analízis nem alkalmazható.

Wilcoxon-féle előjel-próba. A rangok. Ismert eloszlás. A nullhipotézis megfogalmazása H 1 : m 0 0. A medián 0! Az eltérés csak véletlen!

Gyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések

STATISZTIKA (H 0 ) 5. Előad. lete, Nullhipotézis 2/60 1/60 3/60 4/60 5/60 6/60

Gyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Kísérlettervezés témakör

Statisztika feladatok

Budapesti Műszaki és Gazdaságtudományi Egyetem Közlekedésmérnöki Kar Repülőgépek és hajók Tanszék

Boros Daniella Nappali tagozat Kereskedelem és marketing 2. évfolyam Gödöllő Neptun kód: OIPGB9

II.2. A Monte Carlo számítógépes szimuláció

Mobilis robotok irányítása

y ij e ij STATISZTIKA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 12. Előad Variancia-anal Lineáris modell ltozó

STATISZTIKA 2. KÉPLETGYŰJTEMÉNY. idősorok statisztikai becslések hipotézisvizsgálat regressziószámítás


Több laboratórium összehasonlítása, körmérés

ICH Harmonised Tripartite Guideline. Stability Testing of New Drug Substances and Products (Q1A(R2)), 2003

Több valószínűségi változó együttes eloszlása, korreláció

STATISZTIKA. Philosophiae Naturalis Principia Mathematica (A természetfiloz. szetfilozófia fia matematikai alapelvei, 1687) Laplace ( )






[Biomatematika 2] Orvosi biometria. Visegrády Balázs

Hipotézis vizsgálatok

Az átviteli (transzfer) függvény, átviteli karakterisztika, Bode diagrammok

VARIANCIAANALÍZIS (szóráselemzés, ANOVA)

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Paraméteres eljárások, normalitásvizsgálat, t-eloszlás, t-próbák. Statisztika I., 2. alkalom

2012. április 18. Varianciaanaĺızis

LEGYEN MÁS A SZENVEDÉLYED!

Varianciaanalízis 4/24/12

A piaci (egytényezős) modellek és portfóliók képzése

Laplace transzformáció

Garay János: Viszontlátás Szegszárdon. kk s s. kz k k t. Kö - szönt-ve, szü-lı - föl-dem szép ha - tá-ra, Kö - szönt-ve tı-lem any-nyi év u-

n*(n-1)*...*3*2*1 = n!

fizikai-kémiai mérések kiértékelése (jegyzkönyv elkészítése) mérési eredmények pontossága hibaszámítás ( közvetlen elvi segítség)

MINİSÉGBIZTOSÍTÁS 6. ELİADÁS Március 19. Összeállította: Dr. Kovács Zsolt egyetemi tanár

HIPOTÉZISVIZSGÁLATOK, STATISZTIKAI PRÓBÁK. Hipotézisvizsgálat_Statisztikai próbák

Sztochasztikus kapcsolatok

Kálmán-szűrés. Korszerű matematikai módszerek a geodéziában

PhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats

csak csak4 csak3 csak1 sak csak2 NYERŐÁR

) ( s 2 2. ^t = (n x 1)s n (s x+s y ) x +(n y 1)s y n x+n y. +n y 2 n x. n y df = n x + n y 2. n x. s x. + s 2. df = d kritikus.

Elektromiográfia. I. Háttér. II. Mérési elvek. III. Kísérletes célkitűzések

Statisztikai Statisztika I. elemzések viszonyszámokkal viszony 1. Láncból bázis Mennyiségi ismérv szerinti elemzés 1.

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

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

ÁLLATTENYÉSZTÉSI GENETIKA

Gazdaságstatisztika példatár

Relációk. Vázlat. Példák direkt szorzatra

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Vázlat. Relációk. Példák direkt szorzatra

4. példa: részfaktorterv+fold-over, centrumponttal

STATISZTIKAI KÉPLETGYŰJTEMÉNY ÉS TÁBLÁZATOK


I. Általános lineáris modellek: Lineáris és nem-lineáris regresszió

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

OLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma


ő ó ü ö ő ö ö ő ö ó ű ö ő ó ó ü ő ü ö ű ö ő ó ó ő ö ö ó ő ö ö ő ű ö ő ű ö ö ő ő ő ö ö ú ó ö ö ö ő ő ó ő ü ó ó ű ö ö ü ő ü ö ő ü ő ó ű ö ö ö ó ö ö ö ü

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.

y ij e ij BIOMETRIA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 7. Előad Variancia-anal Lineáris modell ltozó bontását t jelenti.

17. Egyszer volt Budán kutyavásár

Szakács Jenő Megyei Fizika Verseny, I. forduló, 2003/2004. Megoldások 1/9., t L = 9,86 s. = 104,46 m.

136 Con Dolore. Tenor 1. Tenor 2. Bariton. Bass. Trumpet in Bb 2. Trombone. Organ. Tube bell. Percussions

Statisztikai szoftverek esszé

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

Híradástechikai jelfeldolgozás

1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila

A várható érték vizsgálata u és t statisztika segítségével

Gábriel Péter Pintér Klára: Kinek higgyünk? Az elemzõi várakozások és a hozamgörbe információtartalmának elemzése

biometria I. foglalkozás előadó: Prof. Dr. Rajkó Róbert Alapfogalmak

Portfóliók képzése és a portfólió értékelés mértékei. A portfóliókockázat. elemzése. Az arbitrázs-értékelés modellje és alkalmazása.

y ij = µ + α i + e ij

ξ i = i-ik mérés valószínségi változója

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




Panel adatok elemzése

Határérték. Wettl Ferenc el adása alapján és Wettl Ferenc el adása alapján Határérték és

IV. Reinforced Concrete Structures III. / Vasbetonszerkezetek III. Dr. Kovács Imre PhD tanszékvezető főiskolai tanár

Lineáris regresszió. Statisztika I., 4. alkalom

Zárthelyi dolgozat 2014 B... GEVEE037B tárgy hallgatói számára

1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit.

Fúvókás sugárbefúvó DSA

s i (MPa) p K = 0 s jb p B s RB - 50

Átírás:

Statztka alameetek amt feltétlenül tudn kell Sokaág é mnta fogalma Statztka (mnta jellemzője) é aaméte fogalma Váható éték é vaanca jellemző Sűűégfüggvén é elozláfüggvén Standad nomál -, t- é F-elozlá Hotézvzgálat (tatztka óba) alaelve é menete Előfajú é máodfajú hba Póba eeje Kétmntá t-óba é F-óba Konfdenca-ntevallum KISTERV_ANOVA_

Emlékeztető: kétmntá t-óba Két független mnta:, ;, ;, x x n n Feltételezzük a két okaág vaancájának egenlőégét: 0 : H Póbatatztka: KISTERV_ANOVA_ 0 n n x x t - n +n n n n n Nullhotéz:

KISTERV_ANOVA_ 3 3

VARIANCIAANALÍZIS (ANOVA) Nevével ellentétben nem vaancák, hanem a váható étékek özehaonlítááa zolgál. KISTERV_ANOVA_ 4 4

Eg fakto zent ANOVA Több független mntánk van - elemzámuk: - cootátlagok:,,,, 3,,,, 3 - cooton belül zóánégzetek:,, 3,, H 0 : 3 KISTERV_ANOVA_ 5 5

. élda (vealv.ta) Véalvadá dő (ec) négféle déta eetén (Box-Hunte-Hunte: Stattc fo Exemente, J. Wle, 978,. 65) Déta A B C D 6 63 68 56 60 67 66 6 63 7 7 60 59 64 67 6 65 68 63 66 68 64 63 59 H 0 : 3 4 KISTERV_ANOVA_ 6 6

Adatok ábázoláa: Box-lot (dobozo ába) 7 70 68 66 CTIME 64 6 60 58 56 54 A B C D DIET Medan 5%-75% Non-Outle Range Outle Exteme KISTERV_ANOVA_ 7 7

- cootok záma: - cooton belül métléek záma: Jelöléek j tt =4 tt l. =4 - eged méé adat: j - cootátlag: - öze méé átlaga: j j j j Déta A B C D 6 63 68 56 60 67 66 6 63 7 7 60 59 64 67 6 65 68 63 66 68 64 63 59 KISTERV_ANOVA_ 8 8

Szemléltető ába az ANOVA alagondolatához KISTERV_ANOVA_ 9 9

Az -edk cooton belül ngadozá vaancájának beclée: (a coot-átlagtól való eltééek) ˆ j j R j j Az egeített cootokon belül zóánégzet (ha kontan): KISTERV_ANOVA_ 0 0 Az ANOVA alaelve Cooton belül ngadozá vaancája

Az ANOVA alaelve Ha nnc különbég a cootok között, a cootátlagok cak a véletlen ngadozá matt tének el egmától. A cootátlagok vaancája tehát kétfélekéen becülhető: - cootokon belül métléekből - a cootátlagokból KISTERV_ANOVA_

ˆ - az átlagokból becülve (ha =kont): - métléekből becülve: ˆ A A általánoan (ha kont) KISTERV_ANOVA_ Az ANOVA alaelve A cootátlagok vaancája

Az ANOVA alaelve - ha H 0 gaz, akko A é R köül ngadozk F 0 A R A R j j (between) (wthn) - ha a valóágban van különbég (H ) F 0 A F R egoldal óba! f(f) KISTERV_ANOVA_ 3 F F

ANOVA táblázat Az eltéé foáa eltéé-négzetözeg zabadág fokzám A hatáa (cootok S A között) Imétléek (cootokon S R j belül) S Telje 0 j j j zóá-négzet S A - A S R R F A R A fakto hatáa jelentő (elutaítjuk a H 0 hotézt), ha: / F A R kt KISTERV_ANOVA_ 4 4

Kegenúlozott tev: = =...= = Az eltéé foáa A hatáa (cootok között) Imétléek (cootokon belül) eltéé- -négzetözeg S A S R j S 0 Telje j j zabadág fok - (-) - j zóánégzet R A F S A S R A R KISTERV_ANOVA_ 5 5

. élda eedméntáblázata STATISTICA ogammal / Summa fülön: Dectve cell tattc Effect Total DIET DIET DIET DIET Dectve Stattc (Vealv) Level of N CTIME CTIME CTIME Facto Mean Std.Dev. Std.E 4 64.00000 3.84486 0.78480 A 4 6.00000.8574 0.987 B 6 66.00000.8847.5470 C 6 68.00000.67330 0.68330 D 8 6.00000.6865 0.9580 ˆ ˆ j Summa fülön: Tet all effect ANOVA tábla Effect Intecet DIET Eo wthn R Unvaate Tet of Sgnfcance fo CTIME (Vealv) Sgma-etcted aametezaton Effectve hothe decomoton SS Deg. of MS F Feedom 95.4 95.4 65.68 0.000000 8.00 3 76.00 3.57 0.000047.00 0 5.60 A between KISTERV_ANOVA_ 6 6

ANOVA modell kíélet (nemcak méé) hba j Y j j mét éték gaz éték váható éték a fakto -edk zntje (-edk déta) az -edk cooton belül j-edk métlé KISTERV_ANOVA_ 7 7

. átlag-modell: j j H 0 : 3. hatá-modell: j j felbontáal a fakto -edk zntjének (-edk déta) hatáa közö éték; + aaméte 0 um to zeo 0 et to zeo H 0 : 0,,..., KISTERV_ANOVA_ 8 8

Y ˆ ˆ ˆ A modell aaméteenek beclée... ˆ j j a váható éték beclée a főátlag mn ˆ ˆ j j 0 ˆ ˆ j j j j ˆ ˆ =0 KISTERV_ANOVA_ 9 9 um to zeo

ˆ ˆ ˆ ˆ j mn j. j j ˆ. A modell aaméteenek beclée j ˆ ˆ 0.. j ˆ hatáok beclée a megfelelő átlagokkal cak - független! Yˆ ˆ az -edk coot váható étékének beclée az -edk coot átlaga KISTERV_ANOVA_ 0 0

. élda eedméntáblázata STATISTICA ogammal / Summa fülön: Coeffcent Effect Intecet DIET DIET DIET Paamete Etmate (Vealv) Sgma-etcted aametezaton Level of Column CTIME CTIME CTIME CTIME Effect Paam. Std.E t 64.00000 0.4979 8.5367 0.000000 A -3.00000 0.97360-3.083 0.005889 B 3.00000 0.845330.3659 0.0895 C 4 4.00000 0.845330 4.739 0.0008 0 um to zeo gma-etcted Effect Intecet DIET DIET DIET DIET Paamete Etmate (Vealv) (*Zeoed edcto faled toleance check) Ove-aametezed model Level of CTIME CTIME CTIME CTIME Effect Paam. Std.E t 6.00000 0.836660 7.90895 0.000000 A 0.00000.44938 0.00000.000000 B 5.00000.7809 3.930 0.000864 C 7.00000.7809 5.4773 0.00003 D 0.00000 4 0 et to zeo KISTERV_ANOVA_

Konfdenca-ntevallum az ege cootok váható étékée Pontbeclé: Yˆ ˆ Intevallumbeclé:? R t zab. fok: ege cootokon belül zóánégzet egeített zóánégzet (jobb beclé) Az -edk coot váható étékének konfdenca-ntevalluma: t R t R KISTERV_ANOVA_

. élda eedméntáblázata STATISTICA ogammal / 3 Summa fülön: Coeffcent Effect Intecet DIET DIET DIET Paamete Etmate (Vealv) Sgma-etcted aametezaton Level of Column CTIME CTIME CTIME CTIME -95.00% +95.00% Effect Paam. Std.E t Cnf.Lmt Cnf.Lmt 64.00000 0.4979 8.5367 0.000000 6.9637 65.03863 A -3.00000 0.97360-3.083 0.005889-5.0309-0.96908 B 3.00000 0.845330.3659 0.0895 0.3667 3.76333 C 4 4.00000 0.845330 4.739 0.0008.3667 5.76333 Effect Intecet DIET DIET DIET DIET Paamete Etmate (Vealv) (*Zeoed edcto faled toleance check) Ove-aametezed model Level of Column Comment CTIME CTIME CTIME CTIME -95.00% +95.00% Effect (B/Z/P) Paam. Std.E t Cnf.Lmt Cnf.Lmt 6.00000 0.836660 7.90895 0.000000 59.5476 6.7454 A Baed 0.00000.44938 0.00000.000000-3.085 3.085 B 3 Baed 5.00000.7809 3.930 0.000864.3340 7.66590 C 4 Baed 7.00000.7809 5.4773 0.00003 4.3340 9.66590 D 5 Zeoed* 0.00000 KISTERV_ANOVA_ 3 3

Az ege cootok váható étékée vonatkozó konfdenca-ntevallumok ábázoláa 7 DIET; LS Mean Cuent effect: F(3, 0)=3.57, =.00005 Effectve hothe decomoton Vetcal ba denote 0.95 confdence nteval 70 68 66 64 CTIME 6 60 58 56 A B C D DIET KISTERV_ANOVA_ 4 4

ANOVA feltételezée az j hbák váható étéke zéu Modell: j j e vaancájuk kontan (homozkedaztctá) az j hbák cootokon belül é cootok között függetlenek egmától az j hbák nomál elozláúak (nem az j adatok!) Ellenőzn kell! KISTERV_ANOVA_ 5 5

ANOVA feltételezéenek ellenőzée. Homozkedaztctá: e kont a) Statztka óbákkal Aumton fülön: Homogenet of vaance... Batlett-óba Tet of Homogenet of Vaance (Vealv) Effect: DIET Hatle F-max Cochan C Batlett Ch-Sq. df CTIME.85743 0.385.667956 3 0.64408? ézéken a nomál elozlá feltételezéée Levene-óba Levene' Tet fo Homogenet of Vaance (Vealv) Effect: DIET Degee of feedom fo all F': 3, 0 MS MS F Effect Eo CTIME.444444.050000 0.704607 0.56044 KISTERV_ANOVA_ 6 6

A feltételezéek ellenőzée a ezduumok vzgálatával. Homozkedaztctá: kont? b) Becült étékek ezduumok (Ped & ed) ábával 6 5 4 3 0 - - Raw Redual -3-4 -5-6 e -7 60 6 6 63 64 65 66 67 68 69 Pedcted Value KISTERV_ANOVA_ 7 7

A feltételezéek ellenőzée a ezduumok vzgálatával. az j hbák nomál elozláúak-e? Nomal Pobablt Plot vag Gau-háló ezduumoka hztogam 3.0 Exected Nomal Value.5.0.5.0 0.5 0.0-0.5 -.0 -.5 -.0 -.5-3.0-7 -6-5 -4-3 - - 0 3 4 5 6 Redual.99.95.75.55.35.5.05.0 5 4 3 No. of ob. 0-8 -7-6 -5-4 -3 - - 0 3 4 5 6 X <= Catego Bounda KISTERV_ANOVA_ 8 8

A feltételezéek ellenőzée a ezduumok vzgálatával 3. az j hbák függetlenek-e? Rezduumok ábázoláa l. a méé oend függvénében 6 5 4 3 0 - - CTIME, Red -3-4 -5-6 -7-5 0 5 0 5 0 5 30 ORDER KISTERV_ANOVA_ 9 9

Többzöö özehaonlítáok H 0 : 3 4 elutaítva Mndegk különböző? 3 4 3 4 Özehaonlítáok tíua: tevezett vag ot hoc zemléletbel különbég vezéle KISTERV_ANOVA_ 30 30

Haonlítuk öze a. é a 3. détát! H t 0 0 : 3 3 3 3 3 é 3 egeítéével a zabadág fok n +n 3 -=6+6-=0 lenne, zabadág foka 4 4 0 R t 0 R 3 3 LSD-óba (Leat Sgnfcant Dffeence) KISTERV_ANOVA_ 3 3

Kontaztok Az özehaonlítáok általánoítáa: k H 0 : c 0 k c 0 c k kontazt-egütthatók k k-adk nullhotéz C k ck C k kontazt Pl. H : 3 0 3 0 C c =0, c =, c 3 =-, c 4 =0 KISTERV_ANOVA_ 3 3

EC k c k VaC k e k H 0 t 0 : E C c 0 R k c k c k k c k otogonálak a kontaztok, ha mnden kl-e ekko függetlenek az özehaonlítáok c k c l 0 Példák függetlenek é nem független özehaonlítáoka KISTERV_ANOVA_ 33 33

Többzöö özehaonlítáok kockázata Ha az özehaonlítáok függetlenek, még nem jelent azt, hog a tatztka óbák függetlenek! eg özehaonlítáa az előfajú hba valózínűége α * (l. 0,05) (ndvdual eo ate): hog nem követünk el előfajú hbát: - α * hog független özehaonlítá egkénél em követünk el előfajú hbát: hog független özehaonlítá valamelkénél elkövetünk előfajú hbát (faml eo ate) l. k=6-nál: * 0,05 6 0, 65 KISTERV_ANOVA_ 34 34 *

Nem független özehaonlítáok eetén * k Bonfeon-egenlőtlenég l. 6 nem független özehaonlítáa 60,05 0,3 KISTERV_ANOVA_ 35 35

Többzöö özehaonlítáok a Stattca ogamban / Pot-hoc fülön: LSD tezt Az öze áa elvégz az özehaonlítát Cell No. 3 4 LSD tet; vaable CTIME (Vealv) Pobablte fo Pot Hoc Tet Eo: Between MS = 5.6000, df = 0.000 DIET {} {} {3} {4} 6.000 66.000 68.000 6.000 A 0.003803 0.0008.000000 B 0.003803 0.58776 0.000864 C 0.0008 0.58776 0.00003 D.000000 0.000864 0.00003 Pot-hoc fülön: Bonfeon Cell No. 3 4 Bonfeon tet; vaable CTIME (Vealv) Pobablte fo Pot Hoc Tet Eo: Between MS = 5.6000, df = 0.000 DIET {} {} {3} {4} 6.000 66.000 68.000 6.000 A 0.085 0.00083.000000 B 0.085 0.95656 0.0058 C 0.00083 0.95656 0.00039 D.000000 0.0058 0.00039 * k 0,003803 6=0,085 eg özehaonlítáa vonatkozk (α*) KISTERV_ANOVA_ 36 36

Between Contat Coeffcent (Vealv) Coeffcent fo each cell n the elected effect Cell No. DIET Cell N CNTRST 3 4 Többzöö özehaonlítáok a Stattca ogamban / Planned com fülön: Secf contat A 4 B 6 0 C 6 0 D 8 - Souce Effect Eo 4 0 Unvaate Tet of Sgnfcance fo Planned Comaon (Vealv) Deendent vaable: CTIME Sum of Deg. of Mean F Squae Feedom Squae 0.0000 0.000000 0.000000.000000.0000 0 5.600000 Between Contat Coeffcent (Vealv) Coeffcent fo each cell n the elected effect Cell No. DIET Cell N CNTRST 3 4 A 4 0 B 6 C 6 - D 8 0 Souce Effect Eo 3 Unvaate Tet of Sgnfcance fo Planned Comaon (Vealv) Deendent vaable: CTIME Sum of Deg. of Mean F Squae Feedom Squae.0000.00000.4857 0.58776.0000 0 5.60000 KISTERV_ANOVA_ 37 37 0

Between Contat Coeffcent (Vealv) Coeffcent fo each cell n the elected effect Cell No. DIET Cell N CNTRST 3 4 A 4 B 6 - C 6 - D 8 3 4 3 4 0 Souce Effect Eo Unvaate Tet of Sgnfcance fo Planned Comaon (Vealv) Deendent vaable: CTIME Sum of Deg. of Mean F Squae Feedom Squae 03.94 03.94 36.305 0.000007.0000 0 5.6000 KISTERV_ANOVA_ 38 38

H 0 : Mekkoa a máodfajú hba valózínűége? 3 4 elfogadva Stattc>Powe Anal>Seveal Mean, ANOVA -Wa.0 -Wa ANOVA: Powe Calculaton -Wa ANOVA (Fxed Effect) Powe v. RMSSE (Alha = 0.05, Gou = 4, N = 6).9 Powe.8.7.6.5.4 RMSSE e.3.. 0.0 0, 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,9,0,, Root Mean Squae Standadzed Effect (RMSSE) KISTERV_ANOVA_ 39 39

j j Pl. ha = -3, = 3, 3 = 4 = 0 RMSSE 3 3 4 0 5.6 0 8 35.6.035 Az előző dagamól leolvava: ehhez a óba eeje = - 0,95 De ha = -, =, 3 = 4 = 0, akko RMSSE étéke má cak 0,345; a óba eeje edg má cak kb. 0,9. KISTERV_ANOVA_ 40 40

Numbe of Gou RMSSE Noncentalt Paamete (Delta) Te I Eo Rate (Alha) Powe Goal Actual Powe fo Requed N Requed Samle Sze (N) Samle Sze Calculaton ANOVA, -Wa Fxed Effect Value 7.5 4.0000.0350 3.368 0.0500 0.9000 0.9308 6.0000 Mekkoa különbéget tudnánk kmutatn? -Wa ANOVA: Samle Sze Calculaton -Wa ANOVA (Fxed Effect) N v. Powe (RMSSE =.035, Gou = 4, Alha = 0.05) 7.0 Requed Samle Sze (N) 6.5 6.0 5.5 5.0 4.5 0,70 0,75 0,80 0,85 0,90 0,95,00 Powe Goal

KISTERV_ANOVA_ 4 4

df numeato df denom. 3 4 5 6 0 0 50 0.96 3.5 4.6 4.65 4.95 5.5 5.57 5.89 6.08 6.796 6.70 6.68 6.668 6.659 6.653 6.64 6.633 6.68 3 5.04 4.630 4.475 4.390 4.336 4.99 4. 4.59 4. 4 4.396 3.900 3.69 3.576 3.50 3.450 3.339 3.50 3.93 5 4.09 3.538 3.30 3.66 3.079 3.08.886.777.707 6 3.93 3.34 3.068.9.85.757.609.486.405 7 3.795 3.83.94.759.656.583.43.87.97 8 3.7 3.084.805.643.535.458.88.4.044 0 3.604.953.66.489.375.9.07.944.83 3.536.87.570.39.7.86.989.84.690 4 3.489.85.508.35.0..907.7.588 6 3.455.774.463.76.50.058.846.65.50 8 3.49.743.48.39..07.800.598.449 0 3.409.78.40.0.080.984.76.554.399 3.393.698.379.86.054.957.73.59.357 4 3.380.68.36.66.033.935.707.489.3 6 3.368.669.346.50.06.97.686.464.9 8 3.359.657.333.36.00.90.667.44.65 30 3.35.647.3.4.988.888.65.43.4 40 3.3.63.83.08.944.84.597.355.59 60 3.95.580.46.04.900.794.54.87.070 80 3.8.563.7.0.878.77.55.5.0 00 3.73.554.6.00.866.758.498.3.996 00 3.57.534.95.986.840.73.466.87.998 500 3.48.53.8.97.85.75.446.6.8894 000 3.45.59.78.967.80.709.439.5.8754 3.4.55.73.96.85.704.433.43.860 Rögzített faktooka C hatá EMS nevező 43 43

A táblázatban hatá C étéke vannak EMS nevező -znte ögzített faktoa; α =0,05; β =0,; C = az öze kíéletek záma / a hatá zntjenek záma (egfaktoo ANOVA-nál: C = ) ( A) KISTERV_ANOVA_ 44 44