Excel segédlet Üzleti statisztika tantárgyhoz

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

Bevezetés a hipotézisvizsgálatokba

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

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





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

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Statisztika elméleti összefoglaló

Többváltozós lineáris regressziós modell feltételeinek

Nemparaméteres próbák

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

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

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

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

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

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

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

Diagnosztika és előrejelzés

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

[Biomatematika 2] Orvosi biometria

Diszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (

KÚPKERÉKPÁR TERVEZÉSE

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

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

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

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

Statisztika Elıadások letölthetık a címrıl

Hipotézis vizsgálatok

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

Biostatisztika VIII. Mátyus László. 19 October

A pont példájának adatai C1 C2 C3 C

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk

Mérnökgeodéziai hálózatok feldolgozása

Kísérlettervezés alapfogalmak

Hipotézis vizsgálatok

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

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

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Normális eloszlás paramétereire vonatkozó próbák

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

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

egyetemi jegyzet Meskó Balázs

1. Gauss-eloszlás, természetes szórás

Kiváltott agyi jelek informatikai feldolgozása Statisztika - Gyakorlat Kiss Gábor IB.157.

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

Normális eloszlás tesztje


III. Képességvizsgálatok

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.

y ij = µ + α i + e ij

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

STATISZTIKAI KÉPLETGYŰJTEMÉNY ÉS TÁBLÁZATOK

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

2. gyakorlat: Z épület ferdeségmérésének mérése

Dr. Karácsony Zsolt. Miskolci Egyetem november

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

Statisztika II előadáslapok. 2003/4. tanév, II. félév

Az átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)

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

ANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26

Eötvös Loránd Tudományegyetem Informatikai Kar. Additív számelméleti függvények eloszlása

Typotex Kiadó. Jelölések

Biostatisztika Összefoglalás

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

Statisztikai módszerek 7. gyakorlat

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév

A mérési eredmény megadása

A Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása

A maximum likelihood becslésről

Alapfogalmak, valós számok Sorozatok, határérték Függvények határértéke, folytonosság A differenciálszámítás Függvénydiszkusszió Otthoni munka

Matematikai statisztikai elemzések 3.

biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat

Matematikai geodéziai számítások 6.

Line aris f uggv enyilleszt es m arcius 19.

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Gazdasági matematika II. Tantárgyi útmutató

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

ANALÍZIS III. ELMÉLETI KÉRDÉSEK

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

Matematikai geodéziai számítások 6.

Biostatisztika Összefoglalás

Adatok statisztikai értékelésének főbb lehetőségei

NAGY TARTÓSSÁGÚ BETON TERVEZÉSÉNEK NÉHÁNY KÖVETELMÉNYE

Matematikai alapok és valószínőségszámítás. Normál eloszlás

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

Eloszlás-független módszerek 13. elıadás ( lecke)

u u IR n n = 2 3 t 0 <t T

Függvény határérték összefoglalás

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

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

Idő-ütemterv hálók - I. t 5 4

Gyakorlat anyag. Veszely. February 13, Figure 1: Koaxiális kábel

Gyakorló feladatok I.

Virtuális elmozdulások tétele

Matematikai statisztika

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

Baran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70

Átírás:

Miskolci Egyetem Üzleti Statisztika és Előrejelzési Intézeti Tanszék Excel segédlet Üzleti statisztika tantárgyhoz. Z próba einek meghatározása óbafüggvény: x - m z = ; vagy σ/ n x - m z = ; vagy s/ n z p - P P Q /n H : m H : m H : m z z / z / z z-eloszlás ei (képletgyűjteményből) (z próba esetén a H elfogadási tartományának alsó és felső határa) első μ m Ф(z)=-/ -z-/ z-/ μ<m Ф(z)=- -z- μ>m Ф(z)=- - z- Tankönyv 5.. táblázata z-eloszlás ei (excellel) α=5% esetén (z próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5% esetén első μ m =INVERZ.STNORM(-/) =INVERZ.STNORM(,975) -,96,96 μ<m =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 μ>m =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 z próba szignifikancia szintjének meghatározása (excellel) ze = próbafüggvény számított e üggvény μ m =STNORMELOSZL(ABS(z e )) -/ μ<m =STNORMELOSZL(ABS(ze)) - μ>m =STNORMELOSZL(ABS(ze)) -

. t próba einek meghatározása óbafüggvény: x - m t =. s/ n H : m H : m H : m t t / t / t Student-féle t-eloszlás ei (képletgyűjteményből) (t próba esetén a H elfogadási tartományának alsó és felső határa) μ m μ<m μ>m =-/; ν n =-; νn =-; νn első -t -/ t -/ -t- - t- Student-féle t-eloszlás ei (excellel) α=5% esetén (t próba esetén a H elfogadási tartományának alsó és felső határa) Alkalmazandó függvény és Pl: α=5% és n=5esetén első μ m =INVERZ.T(; n-) =INVERZ.T(,5;4) -,4,4 μ<m =INVERZ.T(; n-) =INVERZ.T(,;4) -,76 μ>m =INVERZ.T(; n-) =INVERZ.T(,;4) -,76 t-próba szignifikancia szintjének meghatározása (excellel) te = próbafüggvény számított e üggvény μ m =T.ELOSZLÁS(ABS(te); n-; ) μ<m =T.ELOSZLÁS(ABS(te); n-; ) μ>m =T.ELOSZLÁS(ABS(te); n-; )

3. - próba einek meghatározása n - s σ óbafüggvény: χ H : H : H : / / -eloszlás ei (képletgyűjteményből) ( - próba esetén a H elfogadási tartományának alsó és felső határa) ν(n)-nél ca-hoz: / cf-hez: -/ νn / első / < νn > - νn -eloszlás ei (excellel) α=5% esetén ( - próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5% és n=5esetén (ca) első (cf) ca-hoz: =INVERZ.KHI(-/; n-) ca-hoz: =INVERZ.KHI(,975;4) cf-hez: =INVERZ.KHI(/; n-) cf-hez: =INVERZ.KHI(,5;4) 5,63 6, < =INVERZ.KHI(-; n-) =INVERZ.KHI(,95;4) 6,57 > =INVERZ.KHI(; n-) =INVERZ.KHI(,5;4) 3,7 -próba szignifikancia szintjének meghatározása (excellel) e = próbafüggvény számított e üggvény =KHI.ELOSZLÁS( e ; n-) -/ vagy / < =KHI.ELOSZLÁS( e ; n-) - > =KHI.ELOSZLÁS( e ; n-) 3

4. próba einek meghatározása Két szórás egyezőségének vizsgálata s óbafüggvény: = s H H : H : : : H : H H : : H H H : : ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) ( ; ) -eloszlás ei (képletgyűjteményből) ( ; ) ( ; ) ( ; ) ( próba esetén a H elfogadási tartományának alsó és felső határa) H : -/ ( ; ) első ( ; ) H : < - ( ; ) H : > - ; ) ( -eloszlás ei (excellel) α=5% esetén ( próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5%; n=6 és n= esetén (ca) (cf) H : ca-hoz: = / INVERZ.(/; n-; n-) ca-hoz: =/INVERZ.(,5;;5) /,76= cf-hez: =INVERZ.(/; n-; n-) cf-hez: =INVERZ.(,5;5;),36,57 H : < = / INVERZ.(; n-; n-) = / INVERZ.(,5;;5) /,33=,43 H : > =INVERZ.(; n-; n-) =INVERZ.(,5; 5;), próba szignifikancia szintjének meghatározása (excellel) e = próbafüggvény számított e üggvény =.ELOSZLÁS( / e; n-; n-) vagy / =.ELOSZLÁS( e; n-; n-) < =.ELOSZLÁS( / e; n-; n-) > =.ELOSZLÁS( e; n-; n-) 4

5. Két várható különbségének vizsgálata óbafüggvény: d - t = s p n n Student-féle t-eloszlás ei (képletgyűjteményből) (t próba esetén a H elfogadási tartományának alsó és felső határa) ν=(n+n-)-nél első H : - =-/; ν n+n- -t t H : - < =-; ν n+n- -t H : - > =-; ν n+n- - t Student-féle t-eloszlás ei (excellel) α=5% esetén (t próba esetén a H elfogadási tartományának alsó és felső határa) Pl: α=5%; n=6 és n= esetén első H : - =INVERZ.T(; νn+n-) =INVERZ.T(,5;5) -,6,6 H : - < =INVERZ.T(; ν=n+n-) =INVERZ.T(,;5) -,7 H : - > =INVERZ.T(; νn+n-) =INVERZ.T(,;5) -,7 t-próba szignifikancia szintjének meghatározása (excellel) te = próbafüggvény számított e üggvény - =T.ELOSZLÁS(ABS(te); n+n-; ) - < =T.ELOSZLÁS(ABS(te); n+n-; ) - > =T.ELOSZLÁS(ABS(te); n+n-; ) 5

óbafüggvény: d - δ z =.; vagy s d e ε z z-eloszlás ei (képletgyűjteményből) s e első H : - Ф(z)=-/ -z-/ z-/ H : - < Ф(z)=- -z- H : - > Ф(z)=- - z- z-eloszlás ei (excellel) α=5% esetén Pl: α=5% esetén (ca) első (cf) H : - =INVERZ.STNORM(-/) =INVERZ.STNORM(,975) -,96,96 H : - < =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 H : - > =INVERZ.STNORM(-) =INVERZ.STNORM(,95) -,64 z próba szignifikancia szintjének meghatározása (excellel) ze = próbafüggvény számított e üggvény - =STNORMELOSZL(ABS(ze)) -/ - < =STNORMELOSZL(ABS(ze)) - - > =STNORMELOSZL(ABS(ze)) - 6