100-as szög méreteinek gyakorisága (n = 100) db mm Gyakoriság grafikon (adott méretű esetek db.)

Slides:



Advertisements
Hasonló előadás
Nevezetes eloszlások, normál eloszlás
Advertisements

I. előadás.
II. előadás.
Dixon Próbadb.Valószínűségi szint (p%) n10%5%1%7.3?4321 7? ,890,940,99pH7,07,27,3 4 0,68 0,770,89n=4 r 10 = (7,3-7,3)/(7,3-7,0) = 0 r 10 =(x 1 -x.
BECSLÉS A sokasági átlag becslése
Statisztika feladatok Informatikai Tudományok Doktori Iskola.
Mérési pontosság (hőmérő)
Becsléselméleti ismétlés
Statisztika II. IX. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Közlekedésstatisztika
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Statisztika II. IV. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Előadó: Prof. Dr. Besenyei Lajos
III. előadás.
Mérnöki Fizika II előadás
6,24 Egy tábla 8 mintavételi parcellájából származó talajminta pH-ja
100-as szög méreteinek gyakorisága (n = 100) db mm.
Kvantitatív módszerek 7. Becslés Dr. Kövesi János.
Nem-paraméteres eljárások, több csoport összehasonlítása
ÖSSZEFOGLALÓ ELŐADÁS Dr Füst György.
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. III. Dr. Szalka Éva, Ph.D..
Készítette: Kosztyán Zsolt Tibor
Budapesti Műszaki és Gazdaságtudományi Egyetem
Az Alakfelismerés és gépi tanulás ELEMEI
Ülepítés gravitációs erőtérben Fényszórás (sztatikus és dinamikus)
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Hőigények meghatározása Hőközpontok kialakítása
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Mintavételi hiba, hibaszámítás
Valószínűségszámítás
Gazdaságstatisztika 14. előadás.
Gazdaságstatisztika 15. előadás.
Hipotézis vizsgálat (2)
Alapsokaság (populáció)
Várhatóértékre vonatkozó próbák
Folytonos eloszlások.
t A kétoldalú statisztikai próba alapfogalmai
© Farkas György : Méréstechnika
Paleobiológiai módszerek és modellek 2. hét
I. előadás.
Statisztikai alapfogalmak
Dr. Takács Attila – BME Geotechnikai Tanszék
Bevezetés a méréskiértékelésbe (BMETE80ME19) Intervallumbecslések 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
x1 xi 10.Szemnagyság: A szemnagyság megadásának nehézségei
Valószínűségszámítás II.
Kiugró adatok szűrése Dixon Próba db. Valószínűségi szint (p%) n 10%
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/

Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
A számítógépes elemzés alapjai
Szóródási mérőszámok, alakmutatók, helyzetmutatók
II. előadás.
Becsléselmélet - Konzultáció
I. Előadás bgk. uni-obuda
Sztochasztikus kapcsolatok I. Asszociáció
5. előadás.
4. Kiugró adatok kezelése
Gazdaságinformatikus MSc
A leíró statisztikák alapelemei
2. A Student-eloszlás Kemometria 2016/ A Student-eloszlás
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Előadás másolata:

100-as szög méreteinek gyakorisága (n = 100) db mm Gyakoriság grafikon (adott méretű esetek db.)

Normális eloszlás sürűség fv. Sűrűség függvény (előfordulási valószínűség a várható értéktől való távolság függvényében) Elméleti összefüggés

0-tól eltérő valószínűségű előfordulás - ∞ + ∞ tartományban ± 1 szeres szórás tartomány

Görbe alatti terület meghatározás => integrálás Normális eloszlás Sűrűség fv.Eloszlás fv.

± 2 szeres szórás tartomány

± 3 szoros szórás tartomány

± 1*szórás ± 2*szórás ± 3*szórás 0,683 0,955 0,997 68%32%95,5%4,5%99,7%0,3% Előfordulási valószínűségek a várható értéktől számított különböző szélességű tartományokban

Adatmegadás gyakorlata fordított logikával – mennyit hanyagolunk el? p = 5 % hibavalószínűség

Adatmegadás gyakorlata fordított logikával – mennyit hanyagolunk el? p = 1 % hibavalószínűség

+-szórás+-2*szórás+-3*szórás 0,683 0,955 0,997 68%32%95,5%4,5%99,7%0,3%

Konfidencia intervallum (Érvényesség) Várható érték ± szorzószám * szórás

Konfidencia intervallum (Érvényesség) Várható érték ± szorzószám * szórás Várható érték?Szórás? pontatlanok – mérési adatokból becsüljük Korrekció – a szorzószám növelésével

Minél kevesebb adatunk van, annál nagyobb szórású sűrűség függvény nagyobb szorzószámok

nFG10%5%1%0,10% ,651,962,583, ,661,982,633, ,682,012,683, ,702,052,763, ,732,092,863, ,832,263,254,78 542,132,784,608,61 322,924,309,9231,60 216,3112,7163,66636,62 Konfidencia intervallum Átlag ± t_érték * szórás n adatból számított átlag és szórás esetén

p %1%5%0,1%1%5%10%1%5%10% n FG átlag6,24 5,28 5,35 szórás1,04 0,22 0,21 t_érték3,502,3612,925,843,182,3563,6612,716,31 konf.felsőh.9,898,708,146,575,985,8018,858,056,69 konf.alsóh.2,593,772,413,984,574,75-8,152,654,01 pH 5,2 5,5 7,2 5 7,3 5,4 5 mérnöki 5,4 5,3 ±0,7 7 p=5% 7,3 Adatmegadás gyakorlata

Dixon Próbadb.Valószínűségi szint (p%) n10%5%1%7.3?4321 7? ,890,940,99pH7,07,27,3 40,680,770,89n=4r 10 = (7,3-7,3)/(7,3-7,0) = 0 r 10 =(x 1 -x 2 )/(x 1 -x n ) 50,560,640,78 r 10 = (7,0-7,2)/(7,0-7,3) = 0,67 60,480,560,70 70,430,510, pH5,57,07,27,3 80,480,550,68n=5r 10 = (5,5-7,0)/(5,5-7,3) = 0,83 r 11 =(x 1 -x 2 )/(x 1 -x n-1 )90,440,510,64 100,410,480,60 110,520,580,68 r 21 =(x 1 -x 3 )/(x 1 -x n-1 )120,490,550,64 130,470,520,62 Kiugró adatok szűrése