Statisztika II. II. Dr. Szalka Éva, Ph.D..

Slides:



Advertisements
Hasonló előadás
I. előadás.
Advertisements

II. előadás.
BECSLÉS A sokasági átlag becslése
Kvantitatív módszerek
Statisztika feladatok Informatikai Tudományok Doktori Iskola.
Általános statisztika II.
Mérési pontosság (hőmérő)
Becsléselméleti ismétlés
STATISZTIKA II. 5. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
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.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
E L E M Z É S. 1., adatgyűjtés 2., mintavétel (a teljes sokaságot ritkán tudjuk vizsgálni) 3., mintavételi információk alapján megállapítások, következtetések.
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. V. Dr. Szalka Éva, Ph.D..
Előadó: Prof. Dr. Besenyei Lajos
Mintavételes eljárások
Kvantitatív módszerek 7. Becslés Dr. Kövesi János.
Hipotézisvizsgálat (1. rész) Kontingencia táblák
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..
Alapfogalmak Alapsokaság, valamilyen véletlen tömegjelenség.
A statisztikai próba 1. A munka-hipotézisek (Ha) nem igazolhatók közvetlen úton Ellenhipotézis, null hipotézis felállítása (H0): μ1= μ2, vagy μ1- μ2=0.
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
STATISZTIKA II. 2. Előadás
STATISZTIKA II. 3. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
STATISZTIKA II. 4. Előadás
Kvantitatív Módszerek
Valószínűségszámítás
Gazdaságstatisztika 19. előadás Hipotézisvizsgálatok
Gazdaságstatisztika 18. előadás Hipotézisvizsgálatok
Gazdaságstatisztika 14. előadás.
Gazdaságstatisztika 13. előadás.
Gazdaságstatisztika 16. előadás Hipotézisvizsgálatok Alapfogalamak
Hipotézis vizsgálat (2)
Következtető statisztika 9.
Hipotézis-ellenőrzés (Folytatás)
Alapsokaság (populáció)
Várhatóértékre vonatkozó próbák
Alapfogalmak.
I. előadás.
A szóráselemzés gondolatmenete
Bevezetés a méréskiértékelésbe (BMETE80ME19) Intervallumbecslések 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Valószínűségszámítás II.
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19)
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Bevezetés, tippek Ea-gyak kapcsolata Statisztika II -más tárgyak kapcsolata Hogyan tanulj? Interaktív órák, kérdezz, ha valami nem világos! tananyag =előadások.
Kvantitatív módszerek Becsléselmélet október 15.
Leíró statisztika, részekre bontott sokaság, becslés Árva Gábor PhD Hallgató.
Konzultáció – Részekre bontott sokaság vizsgálata, Becslés November 5. Gazdaságstatisztika.
Gazdaságstatisztika Becsléselmélet október 30. és november 5.
Kvantitatív módszerek
II. előadás.
Becsléselmélet - Konzultáció
Gazdaságstatisztika konzultáció
Kvantitatív módszerek
I. Előadás bgk. uni-obuda
III. zárthelyi dolgozat konzultáció
Hipotézisvizsgálatok Paraméteres próbák
Szabályozott és képes termékek/szolgáltatások, folyamatok, rendszerek
Sztochasztikus kapcsolatok I. Asszociáció
Kockázat és megbízhatóság
A matematikai statisztika alapfogalmai
A matematikai statisztika alapfogalmai
Gazdaságinformatikus MSc
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Előadás másolata:

Statisztika II. II. Dr. Szalka Éva, Ph.D.

Becslés A statisztikai becslés az alapsokaságot alkotó valószínűségi változók eloszlásának, jellemzőinek és paramétereinek becslését jelenti az alapsokaságból vett mintából számított mutatók alapján. A statisztikai becsléseket úgynevezett becslőfüggvények segítségével végezzük el. Dr. Szalka Éva, Ph.D.

A becslés tulajdonságai Torzítatlan Dr. Szalka Éva, Ph.D.

A becslés tulajdonságai Konzisztens Torzítatlan Dr. Szalka Éva, Ph.D.

A becslés tulajdonságai Konzisztens Torzítatlan Hatásos Dr. Szalka Éva, Ph.D.

Pontbecslés, Intervallumbecslés nagyobb elemszámú minta kiszámított megfelelő statisztikai paraméterét elfogadjuk a sokaság megfelelő elméleti értékeként. Intervallumbecslés: az adott becsérték körül egy adott nagyságú és megbízhatóságú intervallummal adjuk meg a becslendő paraméter értékét. Dr. Szalka Éva, Ph.D.

Pontbecslés módszerei Legkisebb négyzetek Maximum likelihood módszer Momentumok módszere Grafikus módszerek Dr. Szalka Éva, Ph.D.

Intervallum becslés Az elméleti jellemzők ismeretében a becslés egy adott nagyságú értékközzel, intervallummal adható meg. Ez az un. konfidencia intervallum megbízhatóság ill. kockázat mintanagyság ingadozás Az intervallum többnyire kétoldali, de ritkábban használjuk az egyoldalú becslést is. Dr. Szalka Éva, Ph.D.

Várható érték becslése Ha ismert az alapeloszlás szórása (σ), akkor: µ becslése (σ ismert): Dr. Szalka Éva, Ph.D.

Várható érték becslése Ha nem ismert az alapeloszlás szórása (σ), akkor: µ becslése (σ nem ismert): Dr. Szalka Éva, Ph.D.

Sokasági arány becslése Sokasági arány pontbecslése: p Elméleti variancia becslése: Dr. Szalka Éva, Ph.D.

Sokasági szórásnégyzet becslése megadása ill. DF=n-1szabadsági fokú χ2 eloszlás táblázatából lehetséges. Dr. Szalka Éva, Ph.D.

KÉT VÁRHATÓÉRTÉK KÜLÖNBSÉGÉNEK BECSLÉSE Független minták: a.) Két várható érték különbségének becslése: =y-x; d=y-x; k=x1-x2 b.) Szórásnégyzetek különbsége, ha ismert a sokasági szórás: illetve Az intervallum pedig: (d-z1-/2*d; d+z1-/2*d) Dr. Szalka Éva, Ph.D.

KÉT VÁRHATÓÉRTÉK KÜLÖNBSÉGÉNEK BECSLÉSE c.) Szórásnégyzetek különbsége, ha nem ismert a sokaság szórása: - sc. Kombinált szórás az intervallum: (d-t(szf)1-/2*sd; d+t (szf)1-/2*sd) Dr. Szalka Éva, Ph.D.

Adott intervallumszélességhez tartozó elemszám illetve valószínűségi szint meghatározása Elemszám meghatározása: adott az intervallum és a valószínűség Valószínűségi szint meghatározása: Dr. Szalka Éva, Ph.D.