Csoportosítás megadása: Δx – csoport szélesség

Slides:



Advertisements
Hasonló előadás
Koordináta transzformációk 2
Advertisements

I. előadás.
Kvantitatív Módszerek
2D képszintézis Szirmay-Kalos László. Számítógépes grafika feladata képszintézis Virtuális világ modell modellezés Metafórák: 2D rajzolás világ = sík.
Regresszió számítás Mérnöki létesítmények ellenőrzése, terveknek megfelelése Geodéziai mérések – pontok helyzete, pontszerű információ Lineáris regresszió.
Váradiné dr. Szarka Angéla
Lineáris és nemlineáris regressziók, logisztikus regresszió
Összefüggés vizsgálatok x átlag y átlag Y’ = a + bx.
Gazdaságelemzési és Statisztikai Tanszék
Közlekedésstatisztika
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Elektrotechnika 3. előadás Dr. Hodossy László 2006.
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Számítógépes grafika, PPKE-ITK, Benedek Csaba, D képszintézis 4. előadás.
III. előadás.
Lineáris korreláció és lineáris regresszió. A probléma felvetése y = 1,138x + 80,778r = 0,8962.
x2 x2 – 5x + 6 x(x ) + x(–2)+ (–3)(x) + (–3)(–2) = (x – 3)(x – 2) = Végezzük el a következő szorzást: (x-3)(x-2) =
A középérték mérőszámai
Varianciaanalízis 12. gyakorlat.
AZ ÉLETTANI PARAMÉTEREK MINŐSÉGELLENŐRZÉSE
Hierarchikus klaszteranalízis
2D képszintézis és textúrák
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Kvantitatív módszerek
Alapfogalmak Alapsokaság, valamilyen véletlen tömegjelenség.
Egytényezős variancia-analízis
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
Idősor komponensei Trend vagy alapirányzat: az idősor alakulásának fő irányát mutatja meg. Szezonális vagy idényszerű ingadozás: szabályos időszakonként.
3. előadás Heterogén sokaságok Szórásnégyzet-felbontás
Biostatisztika, MS Excel
Statisztika.
Gyengén nemlineáris rendszerek modellezése és mérése Készítette: Kis Gergely Konzulens: Dobrowieczki Tadeusz (MIT)
Kvantitatív módszerek
Valószínűségszámítás
EREDMÉNYEK, ADATOK FELDOLGOZÁSA
Méréstechnika.
Analitikus geometria gyorstalpaló
Következtető statisztika 9.
Alapsokaság (populáció)
Lineáris regresszió.
Folytonos eloszlások.
A MÉRÉSI HIBA TERJEDÉSE
© Farkas György : Méréstechnika
POROK SZEMCSÉZETÉNEK MEGHATÁROZÁSA
Adatelemzés számítógéppel
I. előadás.
TÁRSADALOMSTATISZTIKA Sztochasztikus kapcsolatok II.
Programozás I. Típus algoritmusok
x1 xi 10.Szemnagyság: A szemnagyság megadásának nehézségei
A POR SZEMCSÉZETÉNEK MEGHATÁROZÁSA. A mérésekről általában A szemcsenagyság számszerű megadása a lehetséges nagy mérettartomány és igen különböző tulajdonságok.
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Közúti és Vasúti Járművek Tanszék. A ciklusidők meghatározása az elhasználódás folyamata alapján Az elhasználódás folyamata alapján kialakított ciklusrendhez.
A számítógépes elemzés alapjai
Hibaszámítás Gräff József 2014 MechatrSzim.
Gazdaságstatisztika Gazdaságstatisztika Korreláció- és regressziószámítás II.
A számítógépes elemzés alapjai
Szóródási mérőszámok, alakmutatók, helyzetmutatók
III. előadás.
5. előadás.
A szórás típusú egyenlőtlenségi mutatók
5. Kalibráció, függvényillesztés
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Adatfeldolgozási ismeretek környezetvédelmi-mérés technikusok számára
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Dr. Varga Beatrix egyetemi docens
Előadás másolata:

Empírikus sűrűségfüggvény meghatározása a mérési adatok csoportosításával Csoportosítás megadása: Δx – csoport szélesség xr1 – 1. csoport középpontja 1. csoport 2. csop 3. csop 4. csop 5. csop 6. csop 7. csop 8. csop 9. csop xr1 xr2 xr3 xr4 xr5 xr6 xr7 xr8 xr9

A csoportosított adatok átlaga: A csoportosított adatok átlagos abszolút eltérése: A csoportosított szórás:

Gyakoriság hisztogram Relatív gyakoriság hisztogram Empírikus sűrűségfüggvény

Számolások egyedi adatokkal: Számolások csoportosított adatokkal:

Gyakoriság hisztogram Relatív gyakoriság hisztogram Empírikus sűrűségfüggvény

Regresszió analízis Legyenek egy mérési sorozat elemei az X és Y koordinátán: x1, x2, ...xn; y1, y2, ...yn; keressük azt az f(x) görbét, amely legjobban megközelíti a mérés során kapott ponthalmazt.

A közelítés meghatározására a legkisebb négyzetes hibák módszerét alkalmazzuk. A közelítés lehet lineáris, négyzetes, vagy magasabb fokú polinom, exponenciális, logaritmikus, stb. Keressük R minimumát.

Végezzük el a regresszió analízist lineáris közelítésre. feltételeket vizsgáljuk.

 

Közelítés pontosságának ellenőrzése: A négyzetes hibák átlagértéke (annál jobb, minél kisebb): Korrelációs állandó lineáris közelítésre: K2 = 1 - tökéletes korreláció K2 = 0 - nincs korrelációs egyenes

Számított eredmények hibái Legyen két mérési sorozatunk (x és y) I. mérés szerint: x: x1, x2....xi,....xn II. mérés szerint: y: y1,....y2,....yi,....yk Keressük a két sorozat összegének eredményét: zi,j = xi + yj Képezzük az összeget minden variációban

Számított eredmények hibái A z sorozat átlaga: Keressük z a sorozat szórását Az x és az y sorozat szórását ki tudjuk számolni (n>>1; k>>1): Ebből:

Számított eredmények hibái Az egyenlet megoldásához használjuk fel azt, hogy továbbá azt, hogy az átlagból vett eltérések összege zérus. majd mindezt helyettesítsük be a fenti egyenletbe, ebből meghatározhatjuk a két sorozat összegének szórásnégyzetét:

Teljesen hasonlóan megállapítható két sorozat különbségének átlaga és szórásnégyzete: Az összeg levezetésénél alkalmazott módszer szerint a következő végeredményt kapjuk: = 0

Számított eredmények hibái Általános képlettel: Terjedelemmel megadott véletlen hiba eredőjének számítása.