Több valószínűségi változó együttes eloszlása, korreláció

Hasonló dokumentumok
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

y ij = µ + α i + e ij

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

Statisztika elméleti összefoglaló

Miért akartunk új könyvet írni?

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

[Biomatematika 2] Orvosi biometria

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Miért akartunk új könyvet írni?

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

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

Minitab 16 újdonságai május 18

Többváltozós lineáris regressziós modell feltételeinek

Hipotézis vizsgálatok

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

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE

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

Hat Szigma Zöldöves Tanfolyam Tematikája

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Kísérlettervezés alapfogalmak

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Minitab 17 újdonságai. Lakat Károly L.K.Quality Bt szept

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

4. példa: részfaktorterv+fold-over, centrumponttal

Adatok statisztikai értékelésének főbb lehetőségei

Kettőnél több csoport vizsgálata. Makara B. Gábor

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis

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

Bevezetés a hipotézisvizsgálatokba

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

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

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

Kísérlettervezés alapfogalmak

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)

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

Idősorok elemzése előadás. Előadó: Dr. Balogh Péter

A valószínűségszámítás elemei

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

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

Statisztika Elıadások letölthetık a címrıl

Varianciaanalízis 4/24/12

Biostatisztika Összefoglalás

STATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat

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

Korreláció és lineáris regresszió

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

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

[Biomatematika 2] Orvosi biometria

1. gyakorlat. Oktatási segédlet hallgatók számára

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

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

GEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ

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

III. Kvantitatív változók kapcsolata (korreláció, regresszió)

c adatpontok és az ismeretlen pont közötti kovariancia vektora

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

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

Statisztika I. 13. előadás Idősorok elemzése. Előadó: Dr. Ertsey Imre

Nemparaméteres próbák

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

Mérési hibák

Statisztikai alapfogalmak a klinikai kutatásban. Molnár Zsolt PTE, AITI

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

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

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

Kutatásmódszertan és prezentációkészítés

Tárgy- és névmutató. C Cox & Snell R négyzet 357 Cramer-V 139, , 151, 155, 159 csoportok közötti korrelációs mátrix 342 csúcsosság 93 95, 102

Hipotézis vizsgálatok

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

Többváltozós Regresszió-számítás

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

Biostatisztika Összefoglalás

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

Fogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P

Több laboratórium összehasonlítása, körmérés

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Budapesti kihelyezett Six Sigma képzés

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

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

Korreláció és Regresszió

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

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

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

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

Least Squares becslés

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

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

2012. április 18. Varianciaanaĺızis

Statisztikai módszerek a skálafüggetlen hálózatok

Biomatematika 2 Orvosi biometria

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Átírás:

Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak... 8 1.. A legfontosabb diszkrét eloszlások... 14 1.3. A legfontosabb foltonos eloszlás: normális eloszlás... 15 1.4. Eloszlások közelítése... 19. A statisztikai következtetés... 1.1. A minta statisztikai jellemzői... 1.1.1. A számtani középérték....1.. A centrális határeloszlási tétel... 3.1.3. A normális eloszlású minta szórásnégzetének eloszlása: - (khinégzet-) eloszlás... 4.1.4. t-eloszlás (Student-eloszlás)... 7.1.5. F-eloszlás... 9.. Paraméterbecslés... 30..1. A becslések tulajdonságai... 31... Becslési módszerek... 36...1 Legkisebb négzetek módszere... 36... Maximum-likelihood-(legnagobb valószínűség) módszer 37...3 Momentumok módszere... 39..3. A becslés kivitelezése... 40.3. Hipotézisvizsgálat, statisztikai próbák... 44.3.1. z-próba... 44.3.. Első- és másodfajú hiba... 50.3.3. χ -próba a variancia vizsgálatára... 57.3.4. Két szórásnégzet összehasonlítása (F-próba)... 61.3.5. A t-próba... 6.3.5.1 Egmintás t-próba... 6.3.5. Kétmintás t-próba... 66.3.5.3 Páros t-próba... 68.3.6. Több szórásnégzet összehasonlítása: a varianciák azonosságának (homogenitásának) vizsgálata... 7.3.6.1 Bartlett-próba... 7.3.6. Cochran-próba... 7.3.6.3 Levene-próba... 73.3.7. Próba és konfidencia-intervallum... 74.3.8. Másodfajú hiba és szükséges mintaelemszám, a nem-centrális t- eloszlás... 76.3.9. A két egoldali t-próba (TOST)... 80.4. Illeszkedésvizsgálat... 86.4.1. Illeszkedésvizsgálat statisztikai próbával... 86.4.. Illeszkedésvizsgálat grafikus módszerrel... 90 1

.5. Statisztikai intervallumok... 93.5.1. Konfidencia-intervallum... 93.5.. Jóslási intervallum... 93.5.3. Tolerancia-intervallum... 94.6. Kiugró értékek azonosítása... 97 3. Több valószínűségi változó egüttes eloszlása, korreláció... 100 3.1. Többváltozós eloszlás sűrűségfüggvéne... 100 3.. Valószínűségi változók függetlensége... 101 3.3. Korreláció... 103 II. Lineáris regresszió... 106 4. A regresszióanalízis alapjai; egváltozós lineáris regresszió... 106 4.1. A regresszióanalízis alapjai... 106 4.. Lineáris regresszió, ismétlés nélküli mérések, konstans... 108 4..1. Becslés a legkisebb négzetek módszerével... 108 4... Maximum-likelihood-becslés... 109 4..3. A becslések tulajdonságai és alkalmasságuk vizsgálata... 110 4..4. Konfidencia-sáv... 115 4..5. Az egenes paramétereinek egüttes konfidencia-tartomána... 10 4..6. Jóslási sáv... 13 4..7. Kalibrációs egenes: a regressziós egenlet megoldása a független változóra... 15 4..8. A mérések sorrendje... 18 4.3. Lineáris regresszió ismételt mérések esetén, konstans... 19 4.3.1. A paraméterek becslése... 130 4.3.. A becsült paraméterek és a tapasztalati regressziós görbe konfidenciatartomána... 134 4.3.3. Jóslási sáv... 135 4.3.4. Kalibrációs egenes: a regressziós egenlet megoldása a független változóra... 135 4.4. Lineáris regresszió ismételt mérések esetén, ha nem konstans... 140 4.4.1. A paraméterek becslése... 141 4.4.. A becslések tulajdonságai... 14 4.4.3. Jóslási sáv... 149 4.4.4. Kalibrációs egenes: a regressziós egenlet megoldása a független változóra... 150 5. Többváltozós lineáris regresszió... 158 5.1. Ismétlés nélküli mérés, konstans... 158 5.. Többváltozós lineáris regresszió ortogonális változók esetén... 16 5.3. Többváltozós lineáris regresszió: ismételt mérések, nem konstans... 163 5.4. Az eges változók szignifikanciájának vizsgálata... 164 5.5. Regresszió polinomokkal... 166 5.6. Regresszió más, a független változóban nemlineáris, de a paraméterekben lineáris függvénekkel... 171

5.7. Regresszió a paraméterekben nemlineáris függvénekkel, ha a függvén transzformációval lineárissá alakítható... 171 6. Regresszió, ha a független változó is valószínűségi változó... 175 6.1. Egváltozós lineáris függvén regressziója... 175 6.. Egváltozós nemlineáris függvén regressziója... 179 6.3. Regresszió az egetlen függő változó transzformáltjára... 180 6.4. Megjegzés a számítások megszervezéséhez... 181 7. A hibaterjedési törvén és alkalmazása... 18 7.1. A hibaterjedési törvén... 18 7.. A hibaterjedési törvén alkalmazása: metrológiai elemzés... 184 8. A regressziós problémák megoldásának előkészítése és a feltételezések utólagos ellenőrzése... 194 8.1. A tapasztalati regressziós függvén típusának kiválasztása... 194 8.. A becslésének lehetőségei... 194 8.3. A regresszió feltételeinek ellenőrzése; a reziduumok vizsgálata... 196 III. Varianciaanalízis (ANOVA)... 0 9. Varianciaanalízis: eg faktor szerinti osztálozás... 0 9.1. A modell... 05 9.. A modell paramétereinek becslése... 07 9.3. Az eltérés-négzetösszeg fölbontása... 08 9.4. Hipotézisvizsgálat és ANOVA-tábla... 10 9.5. Konfidencia-intervallum az eges csoportok várható értékére... 1 9.6. A varianciák azonosságának (homogenitásának) vizsgálata... 13 9.7. A függő változó transzformációja... 18 9.7.1. Box-Cox-transzformáció... 18 9.7.. Diszkrét függő változók transzformációja... 4 10. Összehasonlítások eg faktor két vag több szintjére (a digitális melléklet anaga)... 5 11. Menniségi faktorok kezelése (a digitális melléklet anaga)... 6 1. Két faktor szerinti keresztosztálozás... 7 1.1. Modell és varianciaanalízis két faktor szerinti keresztosztálozásra... 7 1.. Nem kiegensúlozott tervek esete: a súlozatlan átlagok módszere... 35 1.3. Többszörös összehasonlítások (a digitális melléklet anaga)... 4 1.4. Menniségi faktor kezelése (a digitális melléklet anaga)... 4 1.5. Összehasonlítás kontroll-csoporttal (a digitális melléklet anaga)... 4 13. Varianciaanalízis véletlen faktor esetén... 43 13.1. Eg véletlen faktor szerinti varianciaanalízis... 44 13.. A Satterthwaite-közelítés... 50 13.3. Keresztosztálozás két véletlen faktor szerint... 5 13.4. Keresztosztálozás eg rögzített és eg véletlen faktor szerint: véletlen blokk... 55 13.5. Keresztosztálozás eg rögzített és két véletlen faktor szerint: latin négzet... 58 14. Hierarchikus osztálozás... 61 3

15. Általános tervek és általános megfontolások (a digitális melléklet anaga). 66 16. Kovarianciaanalízis (a digitális melléklet anaga)... 67 17. A regresszióanalízis és a varianciaanalízis kombinációja (a digitális melléklet anaga)... 68 18. A kísérleti tervek időbeli és térbeli struktúrája (a digitális melléklet anaga)... 69 IV. Faktoros kísérleti tervek... 70 19. Bevezetés a kísérlettervezésbe... 70 19.1. A kísérlettervezés célja... 70 19.. Többfaktoros kísérletek... 71 19.3. Menniségi és minőségi változók, mérési skálák a kísérlettervezés szempontjából... 73 19.4. A függő változó megválasztása... 74 19.5. Többszörös célfüggvén... 74 0. Kétszintes kísérleti tervek... 79 0.1. p típusú teljes faktoros kísérleti tervek... 79 0.. Grafikus és robusztus eszközök a tervek kiértékelésére... 95 0..1. Pareto-ábra... 95 0... Gauss-háló... 95 0..3. Lenth módszere... 96 0.3. p r típusú részfaktortervek... 303 0.4. A kétszintes tervekkel kimutatható hatások nagsága... 310 0.5. A kísérletek menete... 31 0.6. Critical mix... 316 0.7. Centrumponti kísérlet minőségi faktorra... 30 0.8. Split-plot tervek a faktoros kísérleteknél (a digitális melléklet anaga)... 31 1. A válaszfelület módszere... 3 1.1. Box és Wilson módszere az optimum megközelítésére... 3 1.. Másodfokú kísérleti tervek... 35 1..1. 3 p típusú tervek... 35 1... Kompozíciós tervek... 330 1.3. Az optimum megközelítése szimplex módszerrel... 334 1.4. Eleg-tervek... 339. A kísérlettervezés megvalósítása... 345.1. A kísérletes problémamegoldás lépései... 345.. Megfontolások a kísérletek tervezéséhez és értékeléséhez... 348 V. Minőségjavító kísérlettervezés... 355 3. Taguchi módszere a minőség kísérletes javítására... 355 3.1. A Taguchi-féle minőségfogalom és a négzetes veszteségfüggvén... 357 3.. A kétlépcsős optimalizálás... 361 3..1. A kétlépcsős optimalizálás elve... 361 3... A kétlépcsős optimalizálás gakorlata... 364 3.3. A minőségjavító kísérlettervezés célfüggvénei... 365 3.3.1. Névleges a legjobb (Nominal the best) eset... 365 4

3.3.. Minél kisebb, annál jobb (Smaller the better) eset... 366 3.3.3. Minél nagobb, annál jobb (Larger the better) eset... 366 3.3.4. A veszteségfüggvén alkalmazása diszkrét változókra... 368 3.4. A fejlesztési-tervezési folamat fázisai... 371 3.5. Ortogonális kísérleti tervek a Taguchi-módszerben (a digitális melléklet anaga)... 37 3.6. Faktorok a minőségjavító kísérlettervezésnél (a digitális melléklet anaga)... 37 3.7. Ellenőrző kísérletek (a digitális melléklet anaga)... 37 3.8. Split-plot tervek a Taguchi-kísérleteknél (a digitális melléklet anaga)... 373 VI. Komplex alkalmazási példák (a digitális melléklet anaga)... 374 4. Gógszerkészítmének stabilitásvizsgálatának statisztikai értékelése (a digitális melléklet anaga)... 374 5. Az analitikai validálás statisztikai eszközei (a digitális melléklet anaga)... 375 6. Az ingadozás-források kvantitatív elemzése (a digitális melléklet anaga). 376 7. A kísérlettervezési eredmének további elemzése (a digitális melléklet anaga)... 376 8. A split-plot terv-variánsok további elemzése (a digitális melléklet anaga) 376 Irodalomjegzék... 377 Függelék... 38 5