Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő



Hasonló dokumentumok
Szimulált vadkárok szántóföldi kultúrákban

Készítette: Kása Róbert és Dr. Király István Igazságügyi szakértők

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

KUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel

AZ EGYSÉGES MEZŐGAZDASÁGI VADKÁRBECSLÉS PROTOKOLLJA

AZ EGYSÉGES MEZŐGAZDASÁGI VADKÁRBECSLÉS PROTOKOLLJA (Vitaanyag)

Mintavételi eljárások

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

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Microsoft Excel Gyakoriság

Adatok statisztikai értékelésének főbb lehetőségei

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Populációbecslések és monitoring

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

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

MINTAVÉTELEZÉS. Alaptípusai: sampling. véletlen érvényesítésére v. mellőzzük azt. = preferenciális mintav. = véletlen mintav.

[Biomatematika 2] Orvosi biometria

Termésbecslés Tavaszi munkák jelentése Nyári munkák jelentése Őszi munkák jelentése OSAP jelentések. Székesfehérvár

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

Biomatematika 2 Orvosi biometria

Populációbecslések és monitoring

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

Mérési hibák

Statisztika. Politológus képzés. Daróczi Gergely április 24. Politológia Tanszék

XVIII. Nemzetközi Magyar Matematika Verseny

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

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

XX. Nemzetközi Magyar Matematika Verseny

KÖVETKEZTETŐ STATISZTIKA

1. tétel. Valószínűségszámítás vizsga Frissült: január 19. Valószínűségi mező, véletlen tömegjelenség.

Mangalica specifikus DNS alapú módszer kifejlesztés és validálása a MANGFOOD projekt keretében

A mezőgazdasági vadkárok felvételezése és becslése

4. A kézfogások száma pont Összesen: 2 pont

1. Legyen egy háromszög három oldalának a hossza a, b, c. Bizonyítsuk be, hogy Mikor állhat fenn egyenlőség? Kántor Sándorné, Debrecen

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

Irányított TULAJDONSÁGRA IRÁNYULÓ Melyik minta sósabb?, érettebb?, stb. KEDVELTSÉGRE IRÁNYULÓ Melyik minta jobb? rosszabb?

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Környezet statisztika

[Biomatematika 2] Orvosi biometria

Többváltozós lineáris regressziós modell feltételeinek

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

Térinformatika gyakorlati alkalmazási lehetőségei a Mezőgazdasági Szakigazgatási Hivatal Növény- és Talajvédelmi Igazgatóságán

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

Feladatok MATEMATIKÁBÓL II.

Tervezet: A BIZOTTSÁG /2008/EK RENDELETE

Biomatematika 13. Varianciaanaĺızis (ANOVA)

ZALA MEGYEI LEVÉLTÁR RAKTÁRI JEGYZÉK

A vegetáció felmérésében. 1. előadás

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

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

Kettőnél több csoport vizsgálata. Makara B. Gábor

Dr. habil. Maróti György

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

Matematika érettségi emelt 2008 október. x 2 0. nem megoldás. 9 x

S atisztika 2. előadás

BOLYAI MATEMATIKA CSAPATVERSENY ORSZÁGOS DÖNTŐ SZÓBELI (2008. NOVEMBER 22.) 3. osztály

A nagyvad által okozott mezőgazdasági vadkár ökológiai összefüggései

KÖZPONTI STATISZTIKAI HIVATAL MISKOLCI IGAZGATÓSÁGA. Szántóföldön termelt főbb növények terméseredményei Észak-Magyarországon 2006

Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével

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

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA

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

Mérés és adatgyűjtés

Dr. Bujdosó Géza Nemzeti Agrárkutatási és Innovációs Központ Gyümölcstermesztési Kutató Intézet

FELADATOK ÉS MEGOLDÁSOK

FIT-jelentés :: Lackner Kristóf Általános Iskola 9400 Sopron, Révai Miklós u. 2. OM azonosító: Intézményi jelentés. 8.

Varianciaanalízis 4/24/12

Hasonlóságelemzés COCO használatával

Dr. Piskóti István Marketing Intézet. Marketing 2.

Előzmények. Tömegszerű megjelenés Nagy távolságot érintő migrációs tevékenység Állategészségügyi és humán egészségügyi problémák

Döntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART ))

FIT-jelentés :: Mátyás Király Általános Iskola 2013 Pomáz, Mátyás Király u. 2. OM azonosító: Intézményi jelentés. 8.

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Biometria gyakorló feladatok BsC hallgatók számára

Kísérlettervezési alapfogalmak

Halmazok. Gyakorló feladatsor a 9-es évfolyamdolgozathoz

FIT-jelentés :: Pomázi Mátyás Király Általános Iskola 2013 Pomáz, Mátyás király utca 2. OM azonosító: Intézményi jelentés. 8.

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

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

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Feladatok MATEMATIKÁBÓL II.

LINEÁRIS REGRESSZIÓ (I. MODELL) ÉS KORRELÁCIÓ FELADATOK

Belső kontrollok és integritás az önkormányzatoknál

48. ORSZÁGOS TIT KALMÁR LÁSZLÓ MATEMATIKAVERSENY Megyei forduló HETEDIK OSZTÁLY MEGOLDÁSOK = = 2019.

Balatoni albedó(?)mérések

Az egyenes egyenlete: 2 pont. Az összevont alak: 1 pont. Melyik ábrán látható e függvény grafikonjának egy részlete?

Pap Nárcisz 1 Pap János 2 A termésbecslés és terméselemzés jelentősége a precíziós kukoricatermesztésben

Számítógépes döntéstámogatás. Genetikus algoritmusok

Gyakorló feladatok 9.évf. halmaznak, írd fel az öt elemű részhalmazokat!. Add meg a következő halmazokat és ábrázold Venn-diagrammal:

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

Mintavétel a gyakorlatban

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

A. versenyszám: Összetett szakmai írásbeli feladatsor

Példa a report dokumentumosztály használatára

A létszámbecslés szerepe a hasznosítástervezésben. Létszám - sűrűség

2009. májusi matematika érettségi közép szint

Magas gamma dózisteljesítmény mellett történő felületi szennyezettség mérése intelligens

A Föld középpontja felé szabadon eső test sebessége növekszik, azaz, a

A magyar lakosság vitaminbevitelének. Schreiberné Molnár Erzsébet, Bakacs Márta

Átírás:

Dr. Király István Igazságügyi szakértő Varga Zoltán Igazságügyi szakértő Dr. Marosán Miklós Igazságügyi szakértő

Mintaterületek kijelölésének javasolt módjai kapás sortávú növényekre

Miért is kell mintatér? Mert a mezőgazdasági vadkárt (is) becsüljük, nem pedig mérjük. 1 ha kukorica kb. 55 75 000 növény 100 ha kukorica kb. 5,5 7,5 millió növény Nem is beszélve például a búzáról Akkor ezt tisztáztuk

Vagy mégsem? Miért nem?

Hát ezért Csakis face to face

A becslésről Populácó és minta: esetünkben a tábla növényállománya és a mintaterekben található növények. Egy megfigyelési egység (mintatér) vagy mintavételi egység a vizsgálat alanya vagy tárgya, amelyen a méréseket, vizsgálatokat végezzük.

A minta a ténylegesen megvizsgált, illetve vizsgálatra kiválasztott megfigyelési egységek halmaza (több mintatér), míg a populáció, vagy alapsokaság az összes lehetséges, szóba jöhető mintavételi egységet tartalmazó halmaz, amelyeknek a minta a részhalmaza. Valójában mindig a populáció az a kör, amelyre a vizsgálat irányul. Azaz a tábla növényállománya a populáció és a mintaterek növényállománya a részhalmaz.

A vizsgálatban (vadkárbecslés) a minta képviseli a populációt, fontos tehát, hogy jól tükrözze annak tulajdonságait. Esetünkben a kár százalékos mértékét, és a várható termésátlagot.

Mintavételi módszerek Egyszerű véletlen mintavétel: minden egyed egyforma eséllyel kerül bele Szabályos, szisztematikus mintavétel: csak az első egyedet (mintateret) választjuk véletlenszerűen, a többit meghatározott mintavételi intervallumok kihagyásával

Vizsgált elemek A vadkárbecslés szempontjából megfelelő becslést eredményező mintaterek száma: ésszerű és kivitelezhető A legpontosabb becslést adó mintatér elrendezés, útvonal a felmérendő táblán

MINTATÉR ELRENDEZÉSEK

V alakú mintatér kijelölés

Átló alakú mintatér kijelölés

Szegélyt érintő, V alakú mintatér kijelölés

W alakú mintatér kijelölés

A módszer Dr. Simon Balázs A termésbecslés módszerei. Hektáronként kettő mintatér, ezt vettük alapul A tábla nagysága: 25 ha = 50 mintatér. Rácshálószerűen elhelyezve. Ezeket az adatokat vettük viszonyítási alapnak, etalonnak. A mintaterek 1/1000-ed hektáros, folyóméteres mintaterek voltak. A mintatérben számoltuk az összes termő növényt és a károsított növényeket (kárarány) A mintaterek klaszteranalízissel három csoportra osztása (van-e szegélykár)

Az etalon adatai Összesen megszámolt növény: 2 988 db Összes károsított növény: 275 db Kárszázalék: 9,2% Becsült tőszám: 59 760 db/ha A különböző klaszterek (csoportok) átlagos kárszázaléka: 1. csoport: 4,77% 2. csoport: 19,55% 3. csoport: 67,58%

A MINTATEREK SZÁMÁNAK MEGHATÁROZÁSA

Szempontok A lehető legkevesebb, de még pontos becslést eredményező mintamennyiség A viszonyítási alapot tekintettük etalonnak Az etalonhoz képest ± 20%-os eltérést fogadtunk el. Ez a gyakorlatban azt jelenti, hogy pl. 10% kár esetén 8 12% értéktartomány a tűréshatár. Sok?!?! Sajnos a gyakorlatban 100 200%-al is találkozni. Ehhez képest nem sok. Ez a mi esetünkben (9,94%) 7,952 11,928%

Módszer A mintatereket egyenként oly módon vontuk el, hogy közben az egész táblát fedő rácsháló mindvégig megmaradt. A mintaterek számát az 50-ről egyesével 7 mintatérig csökkentettük.

kárszázalék 18 16 14 12 10 12,96 12,46 12,51 10,9510,87 11,1911,1911,4411,66 11,3911,43 11,67 11,85 11,6411,44 11,711,73 11,95 11,86 11,26 9,949,9 10,01 9,73 9,94 9,84 10,06 10,1510,2310,29 10,4410,6310,7510,74 14,29 13,77 15,18 16,1 12,86 12,39 11,85 13,42 14,69 15,8 8 6 4 2 0 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7

Javasolt mintatér szám a táblaméret függvényében 1 ha alatt 1-3 ha 3-10 ha 10-30 30-100 100-300 300 felett 10 db 12 db 15 db 20 db 25 db 30 db 35 db

Javasolt mintatér számok, ha a táblát megosztva kell felmérni rétegzett mintavétel esetén (táblarészlet külön értékelésekor) 1 ha alatt 5 db 1-3 ha 7 db 3-10 ha 10 db 10-30 15 db 30-100 20 db 100-300 25 db 300 felett 30 db

A MINTATEREK ELHELYEZÉSE

Elvárás Olyan mintatér elhelyezés keresése, amely heterogén károsítás esetén is kellő megbízhatóságot jelent. A módszer egységesítésére alkalmas, mert mindenki használni tudja.

A feladat kettős El kell dönteni, hogy a mezőgazdasági vadkárbecslés során a véletlen, vagy a szisztematikus mintatér kijelölést alkalmazzuk Meg kell keresni azt a mintatér formációt (útvonalat), amely a gyakorlati tapasztalatokkal összevetve is a lehető legmegbízhatóbb.

A módszer A szakkönyvekben leírt, és a gyakorlat során alkalmazott mintatér útvonalak által érintett pontok adatait gyűjtöttük le Véletlen szám generátorral 10x10 és 10x20 mintateret jelöltettünk ki úgy, hogy minden leválogatást követően a kiválasztott mintapontok visszakerültek az etalon halmazába Összesen 44 féle mintatér útvonal esetében vizsgáltuk, hogy melyek azok, amelyek a ± 20%-os tartományon belül találhatóak

RND 10

RND 20

Eredmények A 20 féle véletlen mintatér kijelölésből 11 felelt meg a ± 20%-os kritériumnak, azaz, vagy bejön, vagy nem, így a véletlen mintatér kijelölést elvetettük. A szisztematikus mintaterek közül 6 féle párhuzamos elhelyezés felelt meg, de ezek szakmailag aggályosak lehetnek. Miért is? Az etalonhoz legközelebbi eredményt a W alakú mintatér érte el. Ebből mindkettő (egymáshoz képest 90 fokkal elfordítottak) megfelelt az elvárásnak

ossz P-1 P-3 V2sz RND-2 P-2 RND-20-8 RND-10 W-2 RND-20-7 RND-5 RND-9 RND-8 RND-20-6 RND-20-2 RND-20-9 P3-5 RND-6 P3-6 W P3-3 X 140,0 20%-os eltérés a referenciától 120,0 100,0 80,0 100,0 80,4 82,0 83,2 85,6 86,1 88,5 91,3 94,8 95,9 101,3 102,1 105,1 105,4 106,2 110,8 112,1 113,0 115,4 116,3 117,2 119,8 60,0 40,0 20,0 0,0

W2 94,8%

W 116,3%

Miért is lehet jó ez a mintatér elosztás? Mert a tábla minden részéből hoz mintát Nincs túldimenzionálva a szegély, a 20-ból 5 mintatér van onnan, ami 25%-a az összes mintaterérnek Szegélykár esetén ez megfelelő arány lehet, de termésbecslésnél is megfelelő, mert ha van szegélyhatás, azt jól reprezentálja

A KIJELÖLÉSRŐL

Módszer GPS készülékkel: az első pontot a tábla egyik sarkán kijelölni és rögzíteni. Egyszerű példa: 1 000 X 400 m-es tábla (40 ha). 25 mintatér szükséges. 1 000/25 = 40. a tábla hosszában a mintaterek 40 méterre vannak egymástól. 400/(25/4) = 64. a tábla szélességében a mintaterek 64 méterre vannak egymástól

225 m 50 m 70 m 50 m 700 m

Köszönöm megtisztelő figyelmüket! További vizsgálataink eredményeiről érdeklődhetnek: Mező-Vad Kft. 7130 Tolna, Ybl M. u. 7. Dr. Király István kiralyistvan.hu@gmail.com 06-30-2394640 Dr. Marosán Miklós marosan.miklos@aotk.szie.hu 06-20-4551115