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.



Hasonló dokumentumok
Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

A leíró statisztikák

Biostatisztika Összefoglalás

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

Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért november 15.

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

Elemi statisztika fizikusoknak

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

[Biomatematika 2] Orvosi biometria

Segítség az outputok értelmezéséhez

Statisztikai alapfogalmak

Kutatásmódszertan és prezentációkészítés

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

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

Adatok statisztikai értékelésének főbb lehetőségei

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Varianciaanalízis 4/24/12

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015

ELEMZŐ SZOFTVEREK. A tanárok elemző munkáját támogatja három, egyszerűen használható, minimális alkalmazói ismereteket igénylő Excel állomány.

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Biomatematika 2 Orvosi biometria

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

Hipotézis vizsgálatok

Változók eloszlása, középértékek, szóródás

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Biostatisztika Összefoglalás

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

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

Vargha András Károli Gáspár Református Egyetem Budapest

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

Leíró statisztika. Adatok beolvasása az R-be és ezek mentése

Hipotézis vizsgálatok

y ij = µ + α i + e ij

Bevezetés a hipotézisvizsgálatokba

Korrelációs kapcsolatok elemzése

[Biomatematika 2] Orvosi biometria

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

Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus

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

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Több valószínűségi változó együttes eloszlása, korreláció

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

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

IV. Változók és csoportok összehasonlítása

STATISZTIKA I. A változók mérési szintjei. Nominális változók. Alacsony és magas mérési szint. Nominális változó ábrázolása

Országos kompetenciamérés eredményeinek kiértékelése 6. és 8. évfolyamokon 2012

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Eloszlás-független módszerek 13. elıadás ( lecke)

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

Nemparametrikus tesztek december 3.

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

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

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

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

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése

Kockázatkezelés és biztosítás 1. konzultáció 2. rész

Matematika III. 8. A szórás és a szóródás egyéb mérőszámai Prof. Dr. Závoti, József

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

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

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

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

Statisztika Elıadások letölthetık a címrıl

Vizuális adatelemzés

Statisztika elméleti összefoglaló

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

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?

Hogyan írjunk jól sikerült kompetenciamérést? Készítette: Kiss István 2. évf. Mérés-értékelés szakvizsga

TANTÁRGYI ÚTMUTATÓ. Statisztika 1.

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

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

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

III. Kvantitatív változók kapcsolata (korreláció, regresszió)

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Pszichometria Szemináriumi dolgozat

A Statisztika alapjai

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

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

A valószínűségszámítás elemei

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI

Diszkriminancia-analízis

Érettségi feladatok: Statisztika

Centura Szövegértés Teszt

Matematikai statisztika

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés

Matematikai statisztikai elemzések 2.

3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:

Kvantitatív statisztikai módszerek

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

Statisztikai programrendszerek. Kis-Tóth Lajos Lengyelné Molnár Tünde Tóthné Parázsó Lenke

Matematikai statisztika c. tárgy oktatásának célja és tematikája

FIT-jelentés :: Hild József Általános Iskola 1051 Budapest, Nádor u. 12. OM azonosító: Telephely kódja: 001. Telephelyi jelentés

Korreláció és lineáris regresszió

KÖZPONTI STATISZTIKAI HIVATAL. Szóbeli vizsgatevékenység

Függetlenségvizsgálat, Illeszkedésvizsgálat

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

Vizuális adatelemzés

VIZSGADOLGOZAT. I. PÉLDÁK (60 pont)

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

Átírás:

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

mérés: dolgokhoz valamely szabály alapján szám rendelése Pl.: Hozzárendelési szabály: Ha a válaszadó neme férfi, akkor a hozzárendelt kód: 1 Ha a válaszadó neme nı, akkor a hozzárendelt kód: 2 Ha a válaszadó nem jelölte meg a nemét, akkor a hozzárendelt kód: 9 Nemed: X fiú. lány Nemed: X fiú X lány Nemed:. fiú. lány Kód: 1 Kód: 2 Kód: 9 adat: egy dologhoz adott szabály alapján rendelt szám MÉRÉSI SKÁLÁK NEM METRIKUS METRIKUS NOMINÁLIS ORDINÁLIS INTERVALLUM ARÁNY 3 1 2 98 90 89 2

metrikus skála 89 90 98 rang skála 3. III 1. I 2. II nominális skála 0 1 1 2. Statisztikai alapkérdések: általános tendenciának, a középértéknek a mérése, a megoszlások kimutatása közép Statisztikai alapkérdések: annak megállapítása, hogy az egyes adatok mennyire térnek el a középértéktıl, azaz a szóródás mérése közép 3

Statisztikai alapkérdések: összefüggések vizsgálata Mérés 1. Mérés 2. Statisztikai számítások: LEÍRÓ STATISZTIKA GYAKORISÁG KÖZÉPÉRTÉK SZÓRÓDÁS KORRELÁCIÓ abszolút gyakoriság számtani közép (átlag) szóródási terjedelem korreláció számítás relatív (%-os) gyakoriság módusz interkvartilis félterjedelem kumulatív gyakoriság medián átlagos eltérés kvartilisek variancia szórás relatív szórás Statisztikai számítások: MATEMATIKAI STATISZTIKA Van-e szoros összefüggés? MINTÁK SZÁMA SKÁLATÍPUS INTERVALLUM SKÁLA ORDINÁLIS (RANG) SKÁLA EGY egymintás t-próba Willcoxon-próba χ 2 -próba NOMINÁLIS SKÁLA KETTİ kétmintás t-próba F-próba Welch-próba Mann-Whitney-próba χ 2 -próba TÖBB varianciaanalízis Kruskall-Wallis-próba χ 2 -próba 4

Statisztikai számítások: MATEMATIKAI STATISZTIKA Jelentıs-e a különbség? MINTÁK SZÁMA KETTİ KETTİ VAGY TÖBB TÖBB SKÁLATÍPUS INTERVALLUM SKÁLA korrelációanalízis regresszió analízis parciális korreláció, faktoranalízis klaszteranalízis ORDINÁLIS (RANG) SKÁLA rangkorreláció NOMINÁLIS SKÁLA χ 2 -próba módusz medián átlag 5

módusz medián átlag minimum terjedelem maximum Szóródás Szóródás: a minta azon tulajdonsága, ahogy annak egyes elemei eltérnek a minta középértékeitıl. Kvartilis: 1. kvartilis Q 1 : 2. kvartilis Q 2 : 3. kvartilis Q 3 :. 42 48 51 55 57 61 71 84 6

minimum terjedelem=47 maximum módusz medián CILI ÉVA DANI BÉLA ELEK ANNA FERI PONTSZÁMA 48 62 62 73 81 85 95 HELYEZÉSE 7 5 5 4 3 2 1 MEGFELELÉS 0 0 0 1 1 1 1 SZÓRÁS=16,1 KORRELÁCIÓ MATEMATIKA - FIZIKA 180 160 140 120 fizika 100 80 60 40 20 0 0 20 40 60 80 100 120 140 160 180 matematika 7

KORRELÁCIÓ MATEMATIKA-TÖRTÉNELEM 180 160 140 120 történelem 100 80 60 40 20 0 0 20 40 60 80 100 120 140 160 180 matematika KORRELÁCIÓ 8

MATEMATIKA-RAJZ 180 160 140 120 biológia 100 80 60 40 20 0 0 20 40 60 80 100 120 140 160 180 matematika T-PRÓBA 9

MATEMATIKA C osztály FIZIKA A osztály Várható érték 81,2 91,1 Variancia 2096,74 2174,78 Megfigyelések 15 15 Pearson-féle korreláció 0,984 Feltételezett átlagos eltérés 0 df 14 t érték 4,56 P(T<=t) egyszélő 99,98% 90% t kritikus egyszélő 1,7613 P(T<=t) kétszélő 99,96% t kritikus kétszélő 2,145 Konfidencia intervallum a x f a x f Konfidencia intervallum a x f a x f 10

Tesztelemzés Itempontérték-táblázat Item: Személy: 1. 1. 2. 3. 4. k. SCORE Σ 2. 3. 4. 0= hibás a megoldás m. Σ 1= jó a megoldás Tesztpontértékek eloszlása Eloszlás elhelyezkedése: számtani közép Teszpontértékek ingadozása (variabilitása): szórás (statndard deviancia) vagy variancia Item-mutatók Itemnehézség (p) p = helyes megoldások száma/összes megoldás száma Értéke: 0 p 1 Ha p magas értékő, akkor az item könnyő. Ha p alacsony értékő, akkor az item nehéz. Ha p=0,5, akkor az item maximálisan differenciáló. (Két egyenlı részre osztja a megoldókat.) Ha 0,2 p 0,5, akkor az item a kiválókat választja ki. Ha 0,1 p 0,9, akkor az item az egész tartományban jól differenciál. 11

Item-mutatók Elkülönítésmutató r=korreláció (itempontérték;tesztpontérték) Kifejezi, hogy az item mennyire méri azt amit a teszt egésze. (Tartalmi rokonság a validitással, homogenitással.) Item-mutatók Item-reliabilitásindex reliabilitásindex = itemszórás elkülönítésmutató elkülönítésmutató =korreláció (itempontérték;tesztpontérték) Item-mutatók Item determinációs hatása D h = r 2 100 r = a feladat pontszáma és az összes pontszám korrelációs együtthatója A függı változók független változókra gyakorolt hatása. 12

Teszt megbízhatósága Reliabilitás itemszám itemek _ szórásnégyzetének _ összege Cronbachα = (1 ) itemszám 1 teszt szórásnégyzete Mérési hiba S E = S 1 reliabilitás X A mérési hiba százalékosan is kifejezhetı: a mérési hiba értéke osztva az összes pontszámmal, szorozva 100-zal. 13