STATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)

Hasonló dokumentumok
STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?

GRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Biostatisztika VIII. Mátyus László. 19 October

STATISZTIKA. rgykód. beosztás. Oktatók. Időbeoszt. Tematika. 1. előadás MTB Szeptember 15. November 28.

[Biomatematika 2] Orvosi biometria

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Bevezetés a hipotézisvizsgálatokba

Normális eloszlás tesztje

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

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

Excel segédlet Üzleti statisztika tantárgyhoz

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

y ij = µ + α i + e ij

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

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.

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

A valószínűségszámítás elemei

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

Elemi statisztika fizikusoknak

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

dimenziója Szirmay-Kalos László N= 1/r D D= (logn) / (log 1/r) D= (log4) / (log 3) = 1.26 N = 4, r = 1/3 Vonalzó ( l ) db r =1/3 N = 4 r 2 N 2 N m r m

Statisztika elméleti összefoglaló

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

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

MINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár

KÖVETKEZTETŐ STATISZTIKA

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

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

STATISZTIKA. Oktatók. A legjobbaknak AV_KMNA221, AV_PNA222. /~huzsvai. Bevezetés, a statisztika szerepe

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

Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A Statisztika alapjai

Alapvető karbantartási stratégiák

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

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

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

Minőség-képességi index (Process capability)

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás

Abszolút folytonos valószín ségi változó (4. el adás)

A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

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

Normális eloszlás paramétereire vonatkozó próbák

az Excel for Windows programban

Matematikai statisztikai elemzések 3.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A valószínűségszámítás elemei

Széchenyi István Egyetem. Informatika II. Számítási módszerek. 5. előadás. Függvények ábrázolása. Dr. Szörényi Miklós, Dr.

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

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József

Az átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)

Valószínűségszámítás összefoglaló

Matematikai geodéziai számítások 10.

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Hipotézis vizsgálatok

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

A pont példájának adatai C1 C2 C3 C

Területi sor Kárpát medence Magyarország Nyugat-Európa

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

[Biomatematika 2] Orvosi biometria

Statisztika Elıadások letölthetık a címrıl

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

Hipotézis vizsgálatok

Segítség az outputok értelmezéséhez

[Biomatematika 2] Orvosi biometria

Egymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Biostatisztika Összefoglalás

[Biomatematika 2] Orvosi biometria

Bevezetés. 1. előadás, február 11. Módszerek. Tematika

Biomatematika 2 Orvosi biometria

Kutatásmódszertan és prezentációkészítés

1/8. Iskolai jelentés. 10.évfolyam matematika

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

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

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet

Valószínűségi változók. Várható érték és szórás

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

Kísérlettervezés alapfogalmak

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

K oz ep ert ek es variancia azonoss ag anak pr ob ai: t-pr oba, F -pr oba m arcius 21.

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június

Többváltozós lineáris regressziós modell feltételeinek

A konfidencia intervallum képlete: x± t( α /2, df )

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék

Biometria gyakorló feladatok BsC hallgatók számára

Átírás:

Normális eloszlás sűrűségfüggvénye STATISZTIKA 9. gyakorlat Konfidencia intervallumok f σ π ( µ ) σ ( ) = e /56 p 45% 4% 35% 3% 5% % 5% % 5% Normális eloszlás sűrűségfüggvénye % 46 47 48 49 5 5 5 53 54 (cm) 3/56 F Eloszlásf sfüggvény ( µ ) σ ( ) = e σ π d 4/56,9 Valósz színűségek Normális eloszlás s jelölése,8,7,6,5,4,3,, átlag N(µ, σ) 3 4 5 6 7 8 5/56 6/56

NORM.ELOSZLÁS NORM.ELOSZL(;középért rték;szórás;eloszlásfv) X: Az az érték, amelynél l az eloszlást st ki kell számítani. Középérték: Az eloszlás s középértk rtéke (várhat rható értéke). Szórás: Az eloszlás s szórása. sa. Eloszlásfv sfv: Logikai érték. Ha értéke IGAZ, akkor a NORM.ELOSZL függvf ggvény az eloszlásf sfüggvény értékét t számítja ki, ha értéke HAMIS, akkor a sűrűségfs gfüggvényét. NORM.ELOSZL() függvf ggvény ellenőrz rzése =NORM.ELOSZL(;;;IGAZ) =NORM.ELOSZL(,96;;;IGAZ) 7/56 8/56 Sűrűségfüggvény előáll llítása Átlag: kg Szórás: kg NORM.ELOSZL(;;;hamis),45,4,35,3,5,,5 Eloszlásf sfüggvény előáll llítása Átlag: kg Szórás: kg NORM.ELOSZL(;;;igaz),,8,6,4,,,5 5 6 7 8 9 3 4 5 9/56 5 6 7 8 9 3 4 5 /56 Példa. Példa. Átlag: kg Szórás: kg Mi a színűsége, hogy 8 kg-nál kisebb lesz a tömege? t,8% Átlag: kg Szórás: kg Mi a színűsége, hogy kg-nál kisebb, de 9 kg-nál l nagyobb lesz a tömege? 97,7% - 5,87% = 8,86% /56 /56

INVERZ.NORM INVERZ.NORM(val ínűség;középérték;sz szórás) Valósz színűség: A standard normális eloszláshoz shoz tartozó színűség. Középérték: Az eloszlás s középértk rtéke (várhat rható értéke). Szórás: Az eloszlás s szórása. sa. Ha bármelyik b argumentum értéke nem szám, akkor az INVERZ.NORM az #ÉRT# RTÉK! hibaért rtéket adja vissza. Ha színűség g < vagy színűség g >, akkor az INVERZ.NORM eredménye a #SZÁM! hibaért Ha szórás, akkor az INVERZ.NORM a #SZÁM! hibaért rtéket adja eredmény Az INVERZ.NORM a standard normális eloszlást st használja, ha középértk rték k = és s szórás s = (lásd INVERZ.NORM függvf ggvény ellenőrz rzése =INVERZ.NORM(,975;;) =INVERZ.NORM(,84;;) INVERZ.STNORM). 3/56 4/56 Standard normális eloszlás s jelölése NORMALIZÁLÁS N(, ) z i = i µ σ 5/56 6/56 NORMALIZÁLÁS A függvf ggvény a középértk rték és s a szórás értékkel megadott eloszlás s alapján n normalizált lt értéket ad eredmény Szintais NORMALIZÁLÁS(;középért rték;szórás) X: A normalizáland landó érték. Középérték: Az eloszlás s középértk rtéke (várhat rható értéke). Szórás: Az eloszlás s szórása. sa. Ha szórás, akkor a NORMALIZÁLÁS eredménye a #SZÁM! hibaért rték lesz..4.35.3.5..5..5 Standard normáleloszl leloszlás sűrűségfüggvénye φ (. -4-4 7/56 8/56 k lesz. ) π = µ, medián, módusz π e 3

Standard normális eloszlás eloszlásf sfüggvénye Φ ( ) = e π d 9/56,9,8,7,6,5,4,3,, Standard normáleloszl leloszlás eloszlásf sfüggvénye,6,84,68-4 -3 - - 3 4 /56 Standard normáleloszl leloszlás s 68%-os színűsége.4.35.3.5..5..5. -4-4 /56 A normál l eloszlás s nevezetes értékei Megbízhatóság % 68 95 99 99,9 µ ± z % σ,96,58 3,9 /56 STNORMELOSZL Z: Az az érték, amelynél l az eloszlást st ki kell számítani. Ha a z argumentum értéke nem szám, akkor a STNORMELOSZL az #ÉRT# RTÉK! hibaért rtéket adja eredmény 3/56 INVERZ.STNORM INVERZ.STNORM(val ínűség) Valósz színűség: A standard normális eloszláshoz shoz tartozó színűség. Ha a színűség értéke nem szám, akkor az INVERZ.STNORM az #ÉRT# RTÉK! hibaért rtéket adja eredmény Ha színűség g < vagy színűség g >, akkor az INVERZ.NORM eredménye a #SZÁM! hibaért Az INVERZ.STNORM függvf ggvény adott színűségértékkel olyan z értéket keres, amelynél l STNORMELOSZL(z) = színűség. Így az INVERZ.STNORM pontossága függ az STNORM.ELOSZL pontosságától. Az INVERZ.STNORM függvf ggvény iteráci ciós s keresési si eljárást alkalmaz. Amennyiben a keresés s nem konvergál l lépés s után, a függvf ggvény #HIÁNYZIK hibaért rtékkel tér t vissza. 4/56 4

Alapvető összefüggések + = F ( ) = f ( ) d F( ) f ( ) d = Az eloszlás s alakjának jellemzése Ferdeség g (skewness( skewness,, normális eloszlás= s= körüli érték) lim F( ) = lim F( ) = + Csúcsoss csosság g (kurtosis( kurtosis,, normális eloszlás= s= körüli érték) 5/56 6/56 Ferdeség g számítása sa Balra ferde eloszlás n n i i= s ( n )( n ) Aszimmetria mérőszm száma Értéke: mínusz m és s plusz tartomány Nulla esetén n szimmetrikus eloszlás 3,8,6,4,, 7/56-3, -, -,,,, 3, 8/56 Jobbra ferde eloszlás Mikor ferde az eloszlás? s?,45,4,35,3,5,,5,,5,,4,6,8, Statisztikailag igazolt ferdeség, ha a ferdeségi mutató értéke meghaladja a ferdeségi érték k szórásának kétszeresk tszeresét. t. Az eloszlás s nem szimmetrikus 9/56 3/56 5

Egyéb b aszimmetria mutatók Csúcsos és s lapos eloszlás Aszimmetria hányadosh Pearson-mutat mutató Bowley-mutat mutató F-mutató ( Q F = ( Q A = 3 3 Mo σ Me) ( Me Q ) Me) + ( Me Q ),8,6,4,, 3/56-3, -, -,,,, 3, 3/56 Csúcsoss csosság g számítása sa n( n + ) ( n )( n )( n 3) 3( n ) ( n )( 3) n 4 i i= s n A csúcsoss csossági érték értelmezése Nulla esetén n normális eloszlás Pozitív érték k esetén n az adatok szélesebb csoportban helyezkednek el Negatív érték k esetén n az adatok szűkebb csoportban helyezkednek el. Statisztikailag igazolt eltérés: a csúcsoss csosság értéke meghaladja a szórásának kétszeresk tszeresét 33/56 34/56 Összefoglalás rték k megbízhat zhatósági tartománya Ismert σ:,96σ,96σ P µ + =,95 n n Ismeretlen σ: t,5 P µ n s t + s =,95 n,5 35/56 36/56 6

T.ELOSZLÁS S. A Student-féle t-eloszlás értékét t számítja ki. A t-eloszlt eloszlás s kisszámú mintát tartalmazó adathalmazok hipotézisvizsg zisvizsgálatánál l használhat lható.. A függvény a t-eloszlt eloszlás s kritikus értékeinek táblt blázata helyett is jól j használhat lható. Szintais T.ELOSZLÁS(;szabads szabadságfok;szél) X: Az a szám, amelynél l a függvf ggvény értékét t ki kell számítani. Szabadságfok: Az eloszlás s szabadságfok gfokának száma. Szél: Az eredmény nyül l kapott eloszlássz sszélek száma. Ha szél l =, akkor a T.ELOSZLÁS S egyszélű eloszlást st ad eredmény nyül, míg m g ha szél l =, akkor az T.ELOSZLÁS S eredménye kétszk tszélű eloszlás s lesz. Ha bármelyik b argumentum értéke nem szám, akkor a T.ELOSZLÁS S az #ÉRTÉK! hibaért rtéket adja eredmény Ha szabadságfok <, akkor a T.ELOSZLÁS S eredménye a #SZÁM! hibaért A program a szabadságfok és s a szél l argumentumnál l csak az egész szérték részt veszi figyelembe. Ha a szél l argumentum értéke nem vagy, akkor a T.ELOSZLÁS eredménye a #SZÁM! hibaért 37/56 Ha <, akkor a T.ELOSZLÁS S eredménye a #NUM! hibaért rték. T.ELOSZLÁS S. Ha a szél l =, akkor a T.ELOSZLÁS S számítása: sa: T.ELOSZLÁS S = P( X> ), ahol X a t-eloszlt eloszlást st követk vető véletlen változv ltozó.. Ha a szél l =, akkor a T.ELOSZLÁS S számítása: sa: T.ELOSZLÁS S = P( X > ) = P(X > vagy X < -). Mivel az < nem megengedett, < esetén T.ELOSZLÁS S használatakor vegye figyelembe, hogy T.ELOSZLÁS( S(-,df,) = T.ELOSZLÁS(, S(,df,) = P(X > -) és s T.ELOSZLÁS( S(-,df,) = T.ELOSZLÁS( S( df,) = P( X > ). 38/56 T.ELOSZLÁS S ellenőrz rzése rték k 68%-os megbízhat zhatósági tartománya =T.ELOSZLÁS(,96;3;) S(,96;3;) =T.ELOSZLÁS(,96;3;) S(,96;3;) s P µ n + s n =,68 39/56 4/56 rték k 95%-os megbízhat zhatósági tartománya rték k 99%-os megbízhat zhatósági tartománya s s P,96 µ +,96 =,95 n n s s P,58 µ +,58 =,99 n n 4/56 4/56 7

INVERZ.T Szintais INVERZ.T(val ínűség;szabadságfok gfok) Valósz színűség: A Student-féle t-eloszláshoz shoz tartozó színűség. Szabadságfok: Az eloszlás s szabadságfok gfokának száma. Ha bármelyik b argumentum értéke nem szám, akkor a INVERZ.T az #ÉRT# RTÉK! hibaért rtéket adja eredmény Ha színűség g < vagy színűség g >, akkor a INVERZ.T eredménye a #SZÁM! hibaért A program a szabadságfok argumentumnál l csak az egész szérték k részt r veszi figyelembe. Ha szabadságfok <, akkor a INVERZ.T a #SZÁM! hibaért rtéket adja eredmény Az INVERZ.T függvf ggvény a t értéket adja eredmény nyül, ha a P( X > t) = színűségnél l X t-eloszlt eloszlású véletlen változv ltozó és s P( X > t) = P(X < -t vagy X > t). Egyszélű t-értéket kapunk eredmény nyül, ha a színűség g helyett a * színűség értéket használjuk. Ha a színűség g,5, a szabadságfokok száma, a kétszk tszélű értéket az INVERZ.T(,5;) kifejezés s adja, amelynek értéke,839. Az egyszélű érték k ugyanennél a színűségnél és s szabadságfokn gfoknál l INVERZ.T(*,5;) alakban számíthat tható,, amelynek eredménye,846. 43/56 INVERZ.T ellenőrz rzése =INVERZ.T(,5;) =INVERZ.T(,3;) 44/56 Kefir zsírtartalma ismert szórás Kefir zsírtartalma ismeretlen szórás s n=3 átlag= 3,% s=,5% =,9% konfidenciasz int(95%) = ±,96 s C. I. alsó széle = 3,% C. I. felső széle = 3,38% = ±,8% 45/56 n=3 átlag= 3,% s=,5% =,9% s SzF=n =n- = 3- = 9 INVERZ.T(,5, 9) =,45 Konfidenciaszint(95%)=,9*,45=,86 46/56 Kefir zsírtartalma ismeretlen szórás Őszi búza b hektolitertömege 8 kg C.I.95% alsó széle: 3,-,86=3,4 n=3 átlag=75 kg s= 5 kg C.I.95% alsó széle: 3,+,86=3,386 47/56 s =,74kg konfidenciasz int(95%) = ±,96 s C. I. alsó széle = 69,63kg C. I. felső széle = 8,37kg = ± 5,37kg 48/56 8

rték k megbízhat zhatósági intervalluma véges v sokaságban s N n s N n P,96,96 µ + =,95 n N n N rték k megbízhat zhatósági intervalluma véges v sokaságban Sokaság g középértk rtéke: 59 75 kg Véletlen elemű minta Minta középértk rtéke: 6 55 kg Minta szórása: sa: Minta S.E.: 7 658 kg 6 65 kg Minta fpc:,964 49/56 5/56 rték k megbízhat zhatósági intervalluma véges v sokaságban P ( 655,96 665,964 µ 655+,96 665,964) =, 95 P ( 496 µ 7348) =, 95 Sokaság g középértk rtéke: 59 75 kg 5/56 9