Populációbecslések és monitoring 1. gyakorlat. Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb

Hasonló dokumentumok
Populációbecslések és monitoring 1. gyakorlat. Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb

Populációs paraméterek becslése

Populációbecslések és monitoring

Populációbecslések és monitoring

A létszámbecslés szerepe a hasznosítástervezésben. Létszám - sűrűség

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Biomatematika 2 Orvosi biometria

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

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Tari Tamás doktorandusz. Nyugat-magyarországi Egyetem Vadgazdálkodási és Gerinces Állattani Intézet

Kvadrátos, sávos és vonaltranszekt becslés. Populációbecslések és monitoring 3. gyakorlat

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

KÖVETKEZTETŐ STATISZTIKA

Biostatisztika VIII. Mátyus László. 19 October

A jelenlegi helyzet. A jelenlegi helyzet. A jelenlegi helyzet. Az európai csülkös vad gazdálkodás két változtatási pontja

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

Populáció A populációk szerkezete

y ij = µ + α i + e ij

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

Elemi statisztika fizikusoknak

Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

A társadalomkutatás módszerei I. Outline. A mintaválasztás A mintaválasztás célja. Notes. Notes. Notes. 13. hét. Daróczi Gergely december 8.

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

Gyakorló feladatok a 2. dolgozathoz

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

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

A társadalomkutatás módszerei I.

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

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

Elemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

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

Varianciaanalízis 4/24/12

A Statisztika alapjai

Hipotézis vizsgálatok

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

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

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

BIOMATEMATIKA ELŐADÁS

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

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

A leíró statisztikák

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!

Valószínűségi változók. Várható érték és szórás

Adatok statisztikai értékelésének főbb lehetőségei

Lineáris regresszió vizsgálata resampling eljárással

Hipotézis vizsgálatok

A mérési eredmény megadása

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

I. rész. 1. feladat Oldjuk meg a következő egyenletrendszert, illetve egyenlőtlenséget a valós számok halmazán!

Mérési hibák

Fogyasztás, beruházás és rövid távú árupiaci egyensúly kétszektoros makromodellekben

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

Regresszió. Fő cél: jóslás Történhet:

Statisztika elméleti összefoglaló

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

ÁLLATTENYÉSZTÉSI GENETIKA

Online melléklet. Kertesi Gábor és Kézdi Gábor. c. tanulmányához

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

Számítógépes döntéstámogatás. Statisztikai elemzés

V. Békés Megyei Középiskolai Matematikaverseny 2012/2013 Megoldások 12. évfolyam

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

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

Matematikai geodéziai számítások 6.

2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!

A Markowitz modell: kvadratikus programozás

Populációs paraméterek becslése

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

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

Matematika kisérettségi I. rész 45 perc NÉV:...

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!

SZÁMÍTÁSI FELADATOK I.

Matematikai geodéziai számítások 6.

Statisztikai alapismeretek (folytatás) 4. elıadás (7-8. lecke) Becslések, Hipotézis vizsgálat

A társadalomkutatás módszerei I. Outline. A mintavételi hiba és konfidencia-intervallum Elmélet. Szükséges képletek: Tehát:

Számelmélet Megoldások

A Markowitz modell: kvadratikus programozás

(a) Számolja ki a vásárolt benzin átlagos mennyiségét! (b) Számítsa ki az átlagos abszolút eltérést! (a) Mekkora a napi átlagos csökkenés?

VIZSGADOLGOZAT. I. PÉLDÁK (60 pont)

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

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

A kanonikus sokaság. :a hőtartály energiája

Numerikus integrálás

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre

MATEMATIKA ÉRETTSÉGI május 8. EMELT SZINT

4. A méréses ellenırzı kártyák szerkesztése

Kosztyán Zsolt Tibor Katona Attila Imre

Kettőnél több csoport vizsgálata. Makara B. Gábor

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

A sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos

A Hardy Weinberg-modell gyakorlati alkalmazása

Átírás:

Populációbecslések és monitoring 1. gyakorlat Nem minden állat látható fogásos módszerek Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb 1. Egyszerű arányváltozás - zárt populáció, amely két fajta" állatból áll, ezek láthatósága egyforma 2. Két fázisú arányváltozás a két fajta állat megfigyelhetősége nem egyforma az állatokat két külön vadászidényben távolítják el, de mindig csak az egyik fajtát becsülhető az arányuk és a láthatóságuk (a két láthatóság időben állandó) 3. Fogás/ráfordítás (catch-per-unit-effort) minél több állatot távolítanak el egy populációból, az idő előrehaladtával az egységnyi ráfordításra jutó fogás annál kisebb lesz regressziós módszer, amely a kezdeti létszámot a nulla ráfordításnál számított értékkel becsli Fogás- visszafogás módszerek 1. Lincoln-Petersen 2. K -mintás zárt populációs modellek 5-10 napos időszak alatt végzett fogások alapján 3. Sűrűség becslése mekkora a tényleges fogási terület 4. Nyílt populációk becslése

Jelölés-visszafogás 1. Egyszeri jelölés-visszafogás: Petersen-Lincoln módszer Ez a módszer a gyakorlatban, a vadgazdálkodási munkában nem ajánlott, elsősorban a kutatásoknál van létjogosultsága. Vadtelepítéseknél használható lenne, ám ott vagy kímélik az állományt (pl. mezei nyúl), vagy a mortalitás és elvándorlás mértéke magasabb a telepített populációrészben, így hamis eredményekhez jutunk a hasznosítást követően.

Ha egy populáció egyedszámát N-nel, az összes jelölt állatot M-mel jelöljük, majd a jelölések elvégzése után n egyedszámot kiveszünk a populációból, s abból a jelöltek száma m, akkor az alábbi aránypárt állíthatjuk fel: azaz az összes jelölt állat egyedszáma úgy aránylik a populációnagysághoz, mint az abból vett minta nagysága aránylik a benne lévő jelöltek számához. Az aránypárt N-re rendezve képletet kapjuk. Ezt a módszert Petersen-Lincoln módszernek nevezzük (C.G.J. Petersen dán és F. Lincoln amerikai kutatók voltak, előbbi 1889-ben halpopulációkra, utóbbi 1930-ban vízivadra használta az ismertetett aránypárokat). Az ismertetett, viszonylag egyszerű képlet azonban csak olyan esetekben használható, ha feltételezzük: a populáció zárt (nincs születés és elhullás, illetve be- és elvándorlás a vizsgálati ideje alatt) a populáció egyedei azonos valószínűséggel foghatók be mind a jelölés előtt, mind a jelölés után (a jelölés nem befolyásolja a második fogás valószínűségét) a második mintavétel véletlenszerű a jelek nem vesznek el, azok észlelhetők a későbbiekben is a jelölt egyedek mortalitása egyenlő a jelöletlenekével a jelölt és a jelöletlen állatok viselkedése nem különbözik a jelölt egyedek diszperziója egyenletes a populációban. Egyik sem igaz (mindig) fogásgyakoriság modellek nem minden állat befogási valószínűsége egyforma fogástörténet jelölési arány >60%

2. Többszörös jelölés-visszafogás (Demeter-Kovács 1991) Arra is nyílhat lehetőség, hogy több, mint két alkalommal fogjunk be állatokat és jelöljük meg ezeket. Többször is elvégezhetjük a becslést a Petersen-Lincoln-módszerrel egymást követő befogásokra, több mintapárra. Feltételezve, hogy a populáció zárt, a különböző Ni becslések mind N becslései. Mivel az egyes becslések pontossága eltérő, helyesnek tűnik súlyozott átlagot számolni: ahol N i -k egyes becslések,w i -k pedig a súlyok. Petersen-Lincoln-becslés megbízhatósága elsősorban attól függ,hogy hány jelölt állatot fogunk vissza, azaz m i -től függ, tehát súlyozva a jelölt állatok számával, Az N i értékbe behelyettesítve a Petersen-Licoln-becslő képletét a következő összefüggéshez jutunk: Torzítatlan becslést csak némi módosítással kapunk: Példa:

Begon (1979) erdei egereket (Apodemus sylvaticus) csapdázott 4 napon keresztül:, azaz 34 erdei egér élt a területen. A szórás kiszámítása a következő: A súlyozott átlagra éppen azok a kikötések érvényesek, mint az egyszerű Petersen- Lincoln- becslésre, előnye abban rejlik, hogy több minta során felhalmozott adatokon alapszik, és mivel az összegzett visszafogásokat, az m i értékeket használja, varianciája kisebb lesz, mint az egyszerű kétmintás becslésnek.