Tar nóc z i Ti bor

St at i s z t i kai adat f e l dol goz ás
s z ámí t ás t e c hni kai l e he t ős é ge i
2006
2
Tartalomjegyzék
Bevezetés ...................................................................................................................... 1
1 A statisztikai adatfeldolgozás és annak számítógépes támogatási lehetőségei . . . 3
2 Az adatfeldolgozás szakaszai és jellemzői ............................................................ 4
3 Az adatfeldolgozást támogató számítógépes programok ....................................... 7
4 Az MS Excel alkalmazása statisztikai adatfeldolgozásban ................................... 8
5 Az R statisztikai programnyelv alkalmazása statisztikai adat feldolgozásban ..... 12
6 Főbb eloszlástípusok és ábrázolási lehetőségek ................................................... 21
7 Egyenletes eloszlás .............................................................................................. 22
8 Binomiális eloszlás (Bernoulli eloszlás) .............................................................. 25
9 Poisson-eloszlás ................................................................................................... 28
10 Exponenciális eloszlás ....................................................................................... 30
11Normális eloszlás ................................................................................................ 33
12 Ábrázolási lehetőségek ...................................................................................... 37
13 Hisztogramok ................................................................................................. 39
14 Pont-, vonal-, oszlop- és kördiagramok ......................................................... 43
15 Boxplot ábrázolás ........................................................................................... 49
16 Páronkénti ábrázolás ...................................................................................... 54
17 Egyéb ábrázolási technikák ............................................................................ 56
18 Alapstatisztikák .................................................................................................... 62
19 Helyzeti és számított középértékek .................................................................... 62
20 Számtani átlag ................................................................................................ 62
21 Harmonikus átlag ........................................................................................... 64
22 Mértani átlag .................................................................................................. 64
23 Négyzetes átlag .............................................................................................. 65
24 Módusz ........................................................................................................... 66
25 Medián ........................................................................................................... 66
26 Kvantilisek ..................................................................................................... 67
27 A szóródás és mérőszámai ................................................................................. 68
28 A ferdeség (skewness) és a csúcsosság (kurtosis) ............................................ 69
29 A középértékek és a szóródás kiszámításának lehetőségei az Excelben és az R
rendszerben ............................................................................................................. 71
30 Hipotézistesztelés, alapvető paraméteres és nem-paraméteres statisztikai próbák
................................................................................................................................ 78
31 A hipotézisvizsgálat menete .......................................................................... 78
32 u-próba ........................................................................................................... 79
33 t-próba ............................................................................................................ 81
34 F-próba ........................................................................................................... 84
35 χ2-próba ......................................................................................................... 85
36 Mintavételezés, varianciaanalízis ....................................................................... 90
37 Mintavételi eljárások .......................................................................................... 90
38 A varianciaanalízis ............................................................................................. 92
39 Egytényezős varianciaanalízis ....................................................................... 92
40 Kéttényezős varianciaanalízis ........................................................................ 98
I
41 Korreláció és regressziószámítás ...................................................................... 103
42Korrelációszámítás ............................................................................................ 103
43 Regressziószámítás .......................................................................................... 105
44 Kétváltozós lineáris regresszió .................................................................... 105
45 Többváltozós lineáris regresszió .................................................................. 113
46 Idősorok elemzése ............................................................................................ 117
47 Többváltozós statisztikai módszerek ................................................................ 122
48 Faktor- és főkomponensanalízis ...................................................................... 122
49 Diszkriminanciaanalízis ................................................................................... 129
50 Klaszterelemzés ............................................................................................... 131
Irodalomjegyzék ...................................................................................................... 132
II
Bevezetés
A társadalmi jelenségek és folyamatok elemzése az objektív valóság megfigyelésén
és megértésén alapszik. Magában foglalja a megfigyelések eredményeinek
rendszerezését, a lényeg megállapítását, az ellentmondások és a fejlődési tendenciák
feltárását, valamint a jelenségek és folyamatok ok-okozati kapcsolatainak tisztázását.
Az elemzés, mint irányítási funkció komplex és rendszeres tevékenységnek
tekinthető.
A globalizálódó, vagy inkább már a globalizálódott gazdaságban az erősödő verseny
egyre inkább előtérbe helyezi a gyors és minőségi vezetői döntéshozatal jelentőségét.
A társadalom és a gazdaság szinte minden területén, a döntések megfelelő szintű
támogatásához, elengedhetetlenül szükség van elemzések végzésére. A társadalmi és
a gazdasági folyamatok felgyorsulása és a reakcióidő lecsökkenése miatt a döntési
folyamatra kevesebb idő maradt, ugyanakkor a megoldandó problémák
bonyolultsága és a döntéshez felhasználandó információ mennyisége megnövekedett.
Ilyen környezetben még inkább növekszik az igény vezetői döntéshozatal
számítógépes támogatására. Nagyobb vállalatok esetében ma már elképzelhetetlen,
hogy megalapozott döntéseket lehessen hozni megfelelő számítógépes rendszerek
igénybevétele nélkül.
Az elmúlt néhány évtized alatt a számítástechnika mind a hardver, mind a szoftver
vonatkozásában hatalmas fejlődésen ment keresztül. Ma már általában nem az a
kérdés, hogy meg lehet-e oldani az adott problémát számítógéppel, mert az esetek
többségében erre megvan a lehetőség. Ma már inkább azt a kérdést kell előtérbe
helyezni, hogyan oldható meg a probléma úgy, hogy a számítógép a felhasználó által
könnyen kezelhető módon, a lehető legmagasabb szintű támogatást tudja nyújtani. A
számítógépes rendszerek csak megfelelő számítógépes és szakmai intelligenciával
működtethetők, ami azt is megköveteli, hogy a szakmai képzés elengedhetetlen
részének kell lennie az alapvető számítástechnikai és informatikai intelligencia
megszerzésének.
1
Ma már egyre több elemzési lehetőséget biztosító szoftver áll rendelkezésre és az
elmúlt évtizedekben az elemzési módszerek is hatalmas mértékben fejlődtek. A
könyvben, mint elemzési módszerekkel, a statisztikai módszerekkel foglalkozunk. A
statisztikai módszerekkel megalapozott döntések azonban csak akkor lesznek
helyesek, a gyakorlatban is jól interpretálhatók, ha sikerül megtalálni a megfelelő
módszert és az alkalmazásánál körültekintően, a statisztika szabályainak megfelelően
járunk el. Tisztában kell lennünk azzal is, hogy a társadalmi és gazdasági jelenségek
statisztikai vizsgálata a nem teljes információjú döntések kategóriájába tartozik, és az
elemzésnél, valamint a kapott eredmények felhasználásánál erről sohasem szabad
megfeledkezni. A bizonytalansággal szembenézni természetesen nem mindig könnyű
dolog, és ezért néha úgy teszünk, mintha nem is létezne, ugyanakkor a vizsgált
jelenség természetének megfelelő módszer és eljárás kiválasztásával és egzakt
alkalmazásával a probléma nagyrészt kezelhető.
A statisztika módszertanával minden elemzést végzőnek annak ellenére tisztában kell
lennie, hogy sok könnyen használható, a számításokat támogató program áll
rendelkezésre, mert a számítások elvégzése után komoly feladatot jelent a kapott
eredmények értelmezése. Azt is tudomásul kell vennünk, hogy a realitások világa a
korlátozások világa, ami azt jelenti, hogy a különböző statisztikai módszereket
alkalmazva arra kell törekednünk, hogy inkább a gyakorlati szempontokat
részesítsük előnyben a módszertani eleganciával szemben. A módszerek
megkövetelte alaposságot azonban sohasem szabad figyelmen kívül hagyni.
A statisztikai módszertan megismerése hozzájárulhat az egyes számítási eljárások
pontosabb használatához, és megkönnyíti a kapott eredmények jobb értelmezését, a
jelenségek ok-okozati kapcsolatainak megmagyarázását. A bonyolultabb módszerek
(pl. faktor-, főkomponens-, klaszter- és diszkriminancia-elemzés) lehetővé tehetik új
összefüggések feltárását megismerését, illetve új megvilágításba helyezhetnek már
feltárt kapcsolatokat.
2
1 A stati szti kai adatfel dol gozás és annak számí tógépes
támogatási l ehetőségei
A statisztika latin eredetű, a "status" szóból származik, amelyet állapotnak és
államnak is fordíthatunk; arra utal, hogy a statisztika tárgya mindig valamilyen
állapot leírására szolgál. Az ebbe a körbe tartozó adatok - természetesen - kielégítik
az informatika általános adatfogalmát, de annál kicsit szűkebbek.
Azt mondhatjuk, hogy a statisztika által használt adatfogalom mindig valamilyen - a
valós világra vonatkozó - kísérlet, megfigyelés, vizsgálat eredményeként adódik, s a
legtöbbször számként jelenik meg, méghozzá általában nem is egy számként - hanem
több adatként. Ahogy matematikai statisztikai könyvek gyakran fogalmaznak: a
statisztika a véletlen tömegjelenségekkel, ezek törvényeivel foglalkozik.
A mindennapokban egyre több új és reagálásra késztető problémával szembesülünk.
A kormányok, a vállalatok és a társadalom széles rétegei több információt
igényelnek, mint bármikor ezelőtt, hogy megfelelő segítséget kapjanak a problémák
megoldásához szükséges döntések meghozatalához. Ez az igény helyez különös
hangsúlyt az adatgyűjtésre és az összegyűjtött adatok feldolgozására, az adatok
döntéshozatalhoz szükséges információvá alakítására, és a kapott információ
megfelelő formában történő bemutatására.
Mielőtt a fenti tevékenységekkel foglalkoznánk célszerű megérteni az adat, az
információ és a statisztikai feldolgozás fogalmakat. Az adatok megfigyeléseket vagy
tényeket jelentenek, amelyek összegyűjtve, rendszerezve és kiértékelve válnak
információvá, majd tudássá. Az előzőek alapján az információ tehát adott
felhasználási célból rendszerezett és feldolgozott adatot jelent, amely már
közvetlenül felhasználható a döntéshozatalban.
A statisztika az információ előállításához és bemutatásához biztosít általános
módszereket. A statisztika általában numerikus adatokkal dolgozik, és többnyire
azokon a tudományterületeken használható, amelyek numerikus adatokból kívánnak
3
információt előállítani. A statisztika tehát hasznos információt állít elő többnyire
számok felhasználásával.
2 Az adatfeldolgozás szakaszai és jellemzői
A vállalatok és a magánszemélyek adatokat gyűjtenek, mert nekik vagy valaki
másnak a döntéshozatalhoz információra van szüksége. Az adatgyűjtésnek általában
három fő formáját szoktuk megkülönböztetni: összeírás, mintavétel és adminisztráció
útján. Mindhárom adatgyűjtési módnak vannak előnyei és hátrányai, önállóan és
egymással összehasonlítva is. A módszer kiválasztása több tényezőtől is függhet.
Az összeírás azt jelenti, hogy adatot gyűjtünk megadott jellemzők vonatkozásában
egy megadott csoport vagy populáció minden egyes tagjára vonatkozóan. Előnye a
pontosság és a részletesség, hátránya a magas költség és időigény.
A mintavétel azt jelenti, hogy a teljes csoport vagy populáció helyett, annak
valamilyen szempont szerint kiválasztott részéről szerzünk be adatokat a megadott
jellemzők vonatkozásában. Előnye a gyorsabb és olcsóbb adatgyűjtés, hátránya a
pontosságban és a részletességben bekövetkező veszteség.
Az adminisztráció útján történő adatgyűjtés a szervezet napi tevékenysége során
összegyűjtött adatokat értjük. Az adatgyűjtés ebben az esetben szorosan kapcsolódik
a szervezet tevékenységéhez. Előnye a pontosság, egyszerűség és az idősoros adat
előállás, hátránya a rugalmatlanság és a külső kontroll hiánya.
Az adat feldolgozatlan tény, és ha rendszerezzük, és az igényeknek megfelelően
bemutatjuk, akkor válik információvá. Az adat információvá válása több lépésen
keresztül megy végbe, amely lépések alkotják az adatfeldolgozási folyamatot. Az
adatmennyiség növekedésével a feldolgozási folyamat egyre hosszabbá válik, és
egyre bonyolultabb módszereket igényelhet. A folyamat, megfelelő teljesítményű
számítógépekkel és a feldolgozást magas szinten támogató programokkal jelentős
mértékben lerövidíthető. Napjaink felgyorsult világa, és az ehhez társuló lerövidült
4
reakcióidő feltétlenül szükségessé teszi az adatfeldolgozás megfelelő technikai és
módszertani támogatását.
Az adatok számítógépes feldolgozása – az összegyűjtött adattömeg milyenségének
függvényében - a következő fázisokat foglalhatja magában:
• az adatok kódolása,
• az adatok rögzítése,
• az adatok szerkesztése, rendszerezése,
• az adatokon elvégzett műveletek.
Mielőtt az adatokat a számítógépbe bevinnénk, szükségessé válhat az adatok
kódolása. A kódolás jelentheti a megfelelő azonosítókkal történő ellátást, az
adatokhoz egységes jellemzők rendelését vagy akár a nem numerikus adatok
numerikussá tételét is (pl. kérdőívek feldolgozása). A kódolásra azért lehet szükség,
hogy a nyers adatok számítógépre vitelét és számítógépes feldolgozását könnyebbé
tegyük.
Az adatok rögzítése jelentheti az adatok számítógépbe vitelét, más adatbázisokból
történő kinyerését és adathordozókon a feldolgozó programok által igényelt
formában történő tárolását. A megfelelő formában tárolt adatok könnyebbé és
gyorsabbá teszik az adatokon elvégzendő manipulációkat.
Az adatok szerkesztése és rendszerezése jelentheti az adatok ellenőrzését, az
adatokban meglévő problémák kiküszöbölését, az adatrekordok valamilyen
szempontok szerinti rendezését, vagy a rendezéshez szükséges információk
megadását. A szerkesztés és rendszerezés gyorsabbá tehető speciális számítógépes
programok segítségével. Az adatok pontatlansága, érvénytelensége, hiányossága az
eredmények interpretálási hatékonyságát fogja rontani.
Az adatfeldolgozási folyamat utolsó lépése a szükséges adatmanipulációk, illetve
számítások elvégzése, az igényelt output előállítása. Az adatmanipulációhoz
szükséges program kiválasztása annak függvénye, hogy milyen számításokra van
szükségünk, illetve milyen outputot szeretnénk előállítani. Minden esetben azt kell
5
figyelembe venni, hogy a programmal olyan információkat biztosítsunk, hogy azok a
döntéshozatalhoz a lehető legkönnyebben felhasználhatóak legyenek. Az egész
adatfeldolgozást a döntéshozatal alá kell rendelni. Az előzőek figyelembe vételével
használhatunk egyszerűbb és bonyolultabb programokat is. Kisebb adatmennyiség és
egyszerűbb módszerek esetén jó szolgálatot tehetnek a táblázatkezelő programok, de
nagyobb adattömegek és bonyolultabb számítások esetén célprogramokat célszerű
használni. Nagy adatmennyiség feldolgozása esetén szükség lehet az adatok
adatbázisban történő tárolására is, ami meghatározhatja, hogy mely feldolgozó
programok vehetők számításba. Fontos szempont lehet az is, hogy az adott program
milyen típusú outputok előállítására képes. Előfordulhat, hogy az outputot tárolni
kell és később más programmal továbbfeldolgozást kell végezni rajta, vagy szükség
lehet olyan outputra, amely lehetővé teszi az információk megfelelő formában
történő továbbítását vagy nyilvánosságra hozatalát (pl. internet).
A vizsgálat jellege szerint a statisztika adatainak két nagy fajtáját különböztetjük
meg: a mérhető és a megállapítható adatokat. Amennyiben az adatunk valamilyen
mérés termékeként keletkezik, akkor mérhető adatról beszélhetünk. A mérés -
általánosítva - nem más, mint egy hozzárendelés, ami a valós világ egy bizonyos
objektuma (illetve annak része) és egy szám között áll fenn. Figyelembe véve azt is,
hogy nem minden jelenség mérhető megfelelő szabatossággal, a mérés fogalmát
általánosíthatjuk: a mérhető adatok tehát egy olyan skálán helyezkednek el, amelyet
hasonlónak tekinthetünk valamilyen mérőműszer skálájához.
Megállapítható adatokhoz úgy juthatunk, ha a mérés szerepét egy megállapítás veszi
át. A megállapításban szereplő kategóriákhoz tartozhat számérték, de olyan eset is
lehetséges, amikor nem kapcsolódik hozz á számérték (pl.: egy adott személy neme).
Ide tartoznak az "igen - nem"-mel megválaszolható kérdések is.
Amennyiben az adatok között hierarchiát értelmezünk, akkor belátható, hogy a
megállapítható adatok alacsonyabb rendűek, mint a mérési adatok. Ennek oka
egyszerű: nyilvánvaló, hogy számokkal sokkal egyszerűbb műveleteket végezni,
mint a megállapításokkal (kategóriákkal). Ráadásul a mérhető adatok mindig
átalakíthatóak megállapíthatókká, az ellenkező lehetőség azonban nem áll fenn.
6
3 Az adatfeldolgozást támogató számítógépes programok
A vállalkozások napjainkban a kiélezett verseny követelményeinek csak
számítógépes adatfeldolgozással tudnak megfelelni. A felhasznált számítógépes
rendszerek egyre szélesebb szolgáltatásokat nyújtanak a felhasználóknak. Ezen
rendszerek használata ugyanakkor a számítástechnikát, és a használt programot
megfelelő szinten használni képes felhasználókat igényel. Azt is látnunk kell, hogy
az egyre többet tudó programok egyre bonyolultabbakká válnak, és az áruk is egyre
magasabb lesz. Általában olyan programokat célszerű beszerezni, amelyek
használata rövid idő alatt elsajátítható és a használatuk is viszonylag egyszerű.
Napjainkban nagyon sok statisztikai számításokra alkalmas program létezik, a
táblázatkezelő programoktól az integrált statisztikai programrendszerekig. A
legkönnyebben hozzáférhető program a Microsoft Excel táblázatkezelő programja,
amely része a Microsoft Windows Office-nak, így szinte minden számítógépen
hozzáférhető. Sok statisztikai elemző program is létezik, köztük például a
következők:
Ingyenes programok Kereskedelmi forgalomban
beszerezhető programok
• MicrOsiris • Minitab
• Scilab • SAS
• OpenStat • S-plus
• R • SPSS
• Gnumeric • STATGRAPHICS Plus
• Octave • STATISTICA
• ViSta • XPlore
• WinIDAMS
A programok között felsorolásra került a SAS Institute rendszere is, amely ugyan
tartalmaz statisztikai alrendszert is, de az egész rendszer valójában egy integrált
7
üzleti intelligencia rendszerként fogható fel. Ez a programrendszer nagyon
széleskörű szolgáltatásokat biztosít a felhasználók számára, de a magas ára (és a
rendszer viszonylagos bonyolultsága) nem teszi lehetővé, hogy a vállalkozások nagy
száma használja ezt a rendszert.
A tananyaghoz kapcsolódó példák megoldásához két programot fogunk használni.
Az egyik a széles körben elérhető MS Excel táblázatkezelő, a másik az R statisztikai
programnyelv. Az első programot azért választottuk, mert azt gondoljuk, hogy az
szerves része a számítástechnikai alapintelligenciának, és ismerete az alapvető
elvárások közé tartozik. A második program pedig azért került kiválasztásra, mert
szinte minden operációs rendszeren működik, ingyenesen hozzáférhető és nagyon
sok szolgáltatással rendelkezik.
4 Az MS Excel alkalmazása statisztikai adatfeldolgozásban
A Microsoft Excel (továbbiakban: Excel) táblázatkezelő szinte minden PC-n
megtalálható, ezért a számítógép használók széles köre számára biztosít különböző
számítási és jelentéskészítési lehetőséget. Az Excel hatékony elemzési,
kommunikációs és megosztási szolgáltatásokat kínál, amelyek segítségével az
adatokból információt nyerhetünk. Az Excel egyszerűbbé teszi a csoportmunkát,
valamint lehetővé teszi az adatok védelmét és az adatokhoz való hozzáférés
szabályozását. Ezen kívül használható a szabványos XML-formátum is, és így
egyszerűbben részt vehetünk az üzleti folyamatokban.
Az Excel más hasonló táblázatkezelő programokhoz hasonlóan az adatokat
táblázatban (munkalapon), pontosabban fogalmazva a táblázatok celláiban (a sorok
és az oszlopok kereszteződése), mezőiben tárolja. A táblázatokat sorok és oszlopok
alkotják, illetve más megközelítésben, a táblázat cellái oszlopokba és sorokba
rendeződnek. A munkalapok egy munkafüzetet alkotnak, amely tartalma egy önálló
fájlba menthető. A munkafüzet a fájl nevét kapja, és a munkafüzet összes
alkotóeleme ellátható névvel, amely nevekre a képletekben hivatkozni is lehet. A
képletekben azonban hivatkozhatunk munkalap tartományokra is (vektor, mátrix).
8
A képlet egy olyan összefüggés (kifejezés), amely ugyanazon vagy más
munkalapokon lévő adatokat használ fel különböző számítások, műveletek
elvégzéséhez. A képletek megadásához szükségünk van azok szintaxisának az
ismeretére is, mert különben hibát követhetünk el. A szintaxis egy programnyelv
használatára vonatkozó szabályok összessége. A számítás folyamatát az Excelben a
képletek szintaxisa szabja meg. A képletek begépelését az „=” vagy a „+” jellel kell
kezdenünk.
Az Excel képletekben, kifejezésekben függvényeket is használhatunk. A függvények
lehetnek beépítettek és saját fejlesztésűek. Az Excel több mint 300 beépített
függvénnyel rendelkezik. A függvények begépelhetők a billentyűzetről vagy
megadhatók az „f
x
” függvényvarázslóval is. A függvényvarázsló táblázatos
formában lehetőséget biztosít a függvény argumentumainak (paramétereinek) a
megadására, és segítséget is biztosít az egyes paraméterek értelmezéséhez. A
függvényargumentumok helyes megadása esetén, a függvényvarázsló alján (Érték:)
megjelenik a számított érték is (1. ábra). A függvényvarázsló gyorsabbá és
kényelmesebbé teszi a függvények megadását és szerkesztését. A függvények
argumentumaként megadhatók konstans értékek, cella és tartomány (tömb)
hivatkozások is. A függvények segítségével egyszerű és összetett számításokat is
végezhetünk.
Az Excel beépített függvényei jól használhatók az üzleti élet különböző területein.
Az Excel beépített függvényeivel a munka- és makrólapokon, a gyakorta előforduló
számításokat hajthatjuk végre. Az Excel függvény csoportjai:
• Adatbázis függvények
• Dátum és idő függvények
• Külső függvények (a bővítménykezelő segítségével tölthetők be)
• Mérnöki függvények
• Pénzügyi függvények
• Információs függvények
• Logikai függvények
• Kereső és hivatkozási függvények
• Matematikai és trigonometriai függvények
9
• Statisztikai függvények
• Szöveg és adat függvények
1. ábra
A függvényvarázsló használata
Azokat az értékeket, amelyeket a függvényeknek adunk a műveletek
végrehajtásához, a függvény argumentumainak, a függvényből visszakapott értékeket
pedig eredménynek nevezzük.
A függvényeket a munkalap képleteiben használhatjuk. A függvény leírásakor a
karakterek sorrendjét (leírási szabályait) a függvény szintaxisának nevezzük. Az
összes függvényt azonos szabályok szerint kell leírni. Ha nem tartjuk be az előírt
szintaxist, az Excel hibaüzenetet jelenít meg, amely a képletben lévő hibára hívja fel
a figyelmet. Ha a függvény a képlet elején szerepel, akkor eléje egyenlőségjelet kell
10
írni. A zárójelek az argumentum sorozat kezdetét és végét jelzik az Excelnek. A
zárójeleket párosával kell használni, és sem előttük, sem utánuk nem állhat szóköz.
Az argumentumokat a zárójelek között kell megadni. Az argumentum szám, szöveg,
logikai érték, tömb, hibaérték vagy hivatkozás lehet, azaz bármi, ami az
argumentumban megkívánt típusú értéket adja. Több függvényhez megadhatunk
olyan argumentumo(ka)t is, amely(ek) a számítások végrehajtásához nem feltétlenül
szükségesek (opcionális argumentum).
Az argumentumok állandók vagy képletek is lehetnek. Ha argumentumként képletet
használunk, ebben szerepelhetnek további függvények is. Ha egy függvény
argumentuma maga is függvény, azt beágyazott függvénynek nevezzük. Az Excel
képleteiben legfeljebb hét szint mélységig ágyazhatunk egymásba függvényeket.
A függvények egyik csoportja a statisztikai elemzésekhez biztosít különböző
eljárásokat, és az Eszközök menü Adatelemzés almenüjében is találhatók különböző
összetettebb statisztikai elemzési (modellezési) lehetőségek:
• Egytényezős varianciaanalízis
• Kéttényezős varianciaanalízis ismétlésekkel és ismétlések nélkül
• Korreláció- és kovariancia analízis
• Leíró statisztikák
• Exponenciális simítás
• Kétmintás F-próba a szórásnégyzetre
• Fourier-analízis
• Mozgóátlag
• Véletlenszám generálás
• Rangsor és százalékos rangsor
• Regresszió
• Mintavétel
• Kétmintás párosított t-próba a várható értékekre
• Kétmintás t-próba egyenlő és nem-egyenlő szórásnégyzeteknél
• Kétmintás z-próba a várható értékekre
11
Az MS Excel előnye, hogy könnyű hozzáférni, használata viszonylag könnyen
megtanulható és a táblázatos forma lehetővé teszi az adatok könnyű áttekintését és
kezelését. Az elemzési lehetőségeken túl az Excel különböző adatbeviteli
lehetőségeket biztosít a billentyűzeten keresztüli beviteltől az adatbázisokból történő
adat kinyerésig. Mindezeken túl adatainkat, illetve az elemzés eredményeit sokféle
formában ábrázolhatjuk is, illetve lehetőségünk van különböző táblázatokban történő
megjelentetésükre is.
5 Az R statisztikai programnyelv alkalmazása statisztikai adatfeldolgozásban
Az R statisztikai programnyelv az S-plus (Bell Laboratories) kereskedelmi
forgalmazású statisztikai programnyelv ingyenes, szabad fejlesztésű változata.
1
Az R
nyelv szinte minden operációs rendszer alatt működik. Használata egyszerű, mégis
nagyon sokféle feladat megoldására alkalmas. Az R rendszer egy programnyelv és
egy környezet statisztikai feladatok megoldására és ábrázolására. A nyelv
alapváltozata párbeszédes üzemmódban script-ek megadásával használható (2. ábra),
de ma már léteznek olyan fejlesztések is, amelyek lehetővé teszik a program
elfogadható szintű grafikus felületen történő használatát is (pl.: Rcmdr, JGR,
Statistical Lab
2
) (3. ábra).
A nyelv kiváló, beépített help (segítség) rendszerrel rendelkezik, ami nagymértékben
megkönnyíti az egyes parancsok, függvények használatát. Az R amellett, hogy
lehetővé teszi különböző statisztikai feladatok megoldását, lényegében egy könnyen
megtanulható és használható programnyelv is. Fontos megjegyezni, hogy a
statisztikai elemzések széles körének elvégzése (lineáris és nem-lineáris modellezés,
klasszikus statisztikai tesztek, idősor elemzések, osztályozások, stb.) nem igényel
programozási ismertet. Programozásra csak akkor van szükség, ha a rendelkezésre
álló csomagok között nem találjuk a számunkra szükségeset, vagy a meglévők
valamelyikét át szeretnénk alakítani. Az R rendszer könnyen bővíthető.
1
A program és az alapvető dokumentációk letölthetők a http://www.r-project.org/ honlapról.
2
A program letölthető a http://www.statistiklabor.de/en/ honlapról.
12
Az R környezet egy integrált szoftver eszköz adatmanipulációs, számítási és grafikus
megjelenítési lehetőségekkel, amelyek magukban foglalják a következőket:
• hatékony adatkezelési és tárolási lehetőség,
• tömbökön számításokat végző operátorok,
• széleskörű, koherens, integrált adatelemzési eszközök,
• az adatelemzés grafikus megjelenítési lehetőségei képernyőn, nyomtatott
formában, illetve web-es felületeken,
• magas szintű, mégis egyszerű és hatékony programozási nyelv, amely
tartalmazza a hagyományos programozási elemeket is.
2. ábra
Az R nyelv script üzemmódú működési felülete
Az R nyelv különböző adatstruktúrákon képes műveletet végezni. Az alap adat-
struktúra a vektor. Az R nyelv alapértelmezésben minden megadott adatot vektornak
tekint, és műveleteket is alapvetően vektorokkal végez. A megadott változók is
alapértelmezésben vektorok. Mivel a statisztikai elemzésben általában nem egyedi
13
adatokkal, hanem adatsorokkal dolgozunk, ezért ez a működési mód lehetővé teszi a
gyors és egyszerű munkavégzést. Például, ha az alábbi adatokkal a megadott össze-
függést szeretnénk kiszámolni, akkor azt a következőképpen tehetjük:
3. ábra
A Statistical Lab induló felülete
>
3
x = c(1, 2, 3, 4, 5, 6)
> y = c(2.5, 3.4, 5.4, 3.8, 4.6, 6.1)
> z = x * y + 1
Eredményül a z vektort kapjuk. A számítás során a két vektor megfelelő elemei
szorzódnak össze, és minden elemhez hozzáadásra kerül 1 (4. ábra).
3
A ’>’ szimbólum a prompt jel, amely után lehet az utasításokat begépelni.
14
A nyelv lehetővé teszi, hogy a vektorokra a megszokott műveleti jeleket,
függvényeket használjuk, illetve magunk is írhatunk függvényeket, amelyek más
műveletekben felhasználhatók, esetleg a későbbi felhasználáshoz tárolhatók is.
4
A
vektorok nemcsak numerikus értékeket, hanem logikai és karakter értékeket is
tartalmazhatnak.
5
4. ábra
Műveletvégzés az R rendszerben
Az R nyelv más adatstruktúrákat is tud létrehozni és azokon műveleteket végezni.
Ilyen adatstruktúrák lehetnek a mátrixok (tömbök), a factor-ok, a listák, a data frame-
ek. Ezen adatstruktúrák létrehozása különböző függvények segítségével lehetséges.
A létrehozott struktúrákkal szintén képes műveleteket végezni az R nyelv. A
mátrixok esetében lehetőség van a lineáris algebrában megszokott mátrix műveletek
elvégzésére is, ami leegyszerűsíti a különböző statisztikai számítások elvégzését.
A factor a vektor egy speciális formája, ahol a vektorok különböző szintjei
alakíthatók ki, ami jól használható különböző kategóriák megjelenítéséhez, mind a
modellezésben és mind az ábrázolásokban. A data frame lényegében egy
általánosított mátrix, ahol a különböző oszlopok eltérő típusokat is jelenthetnek, de
egy adott oszlopnak ugyanazt a típust kell tartalmaznia. A data frame oszlopainak és
sorainak neveket is adhatunk, és a számításokban ezekkel a nevekkel hivatkozhatunk
is az adott oszlopra vagy sorra. Így lényegében táblázatokat tudunk létrehozni. A
data frame lényegében adatoszlopok listájának is tekinthető.
1 . feladat
4
A vektorokra alapozott műveletvégzés, programozás esetén, az esetek többségében feleslegessé
teszi az ún. ciklusutasítások használatát, ami jelentős mértékben megkönnyíti a programozást.
5
A ’c’ függvény az argumentumait egy vektorrá vagy listává konvertálja. Az argumentumok tipusa
tetszőleges lehet.
15
Data frame példa: 10 embertől megkérdezték a súlyát és a magasságát és
feljegyezték a nemüket (N – nő, F – férfi), az adatokból a következő lépésekben lehet
data frame-et létrehozni (eredmény - 5. ábra):
> súly = c(55, 65, 52, 70, 76, 61, 80, 57, 68, 85)
> magasság = c(151, 166, 148, 180, 178, 164, 180, 160, 162, 179)
> nem = c(’N’, ’F’, ’N’, ’F’, ’F’, ’N’, ’F’, ’N’, ’N’, ’F’)
> személyek = c(”Személy_1”, ”Személy_2”, ”Személy_3”, ”Személy_4”,
+
6
”Személy_5”, ”Személy_6”, ”Személy_7”, ”Személy_8”, ”Személy_9”,
+ ”Személy_10”)
> vizsgálat = data.frame(személyek, súly, magasság, nem,
+ row.names=”személyek”)
> vizsgálat
7
Az előzőekben említett adatstruktúráknak nemcsak a programozásban van szerepük,
hanem a már kész statisztikai eljárások használatát is jelentős mértékben
megkönnyítik, amint azt később a konkrét statisztikai alkalmazásoknál látni is
fogjuk.
2 . feladat :
Hozzunk létre egy függvényt, amely a szórást (standard eltérést) számítja ki (6. ábra).
A szórás képlete:
A függvény létrehozása a képlet alapján az R nyelvben:
6
Ha egy utasítás nem fér el egy sorban, akkor több sorban is megadható, és a ’+’ szimbólum a
folytató sort jelenti.
7
A változó nevének beírása és Enter után kiírásra kerül a változó tartalma. Változónévként lehet
ékezetes betűket is használni.
( )
1
) (
1
2


·

·
n
x x
x SD
n
i
i
16
std = function(x) sqrt(sum((x - mean(x))^2) / (length(x) - 1))
8
5. ábra
A „data frame” példa eredménye
Az egyenlőségjel bal oldalán található „std” a függvény neve. Az egyenlőségjel jobb
oldalán található függvényt a „function” utasítással kell kezdeni, és az utána lévő
zárójelben kell megadni a függvény attribútumait
9
. A függvény beépített
függvényeket is meghív:
• sqrt négyzetgyökvonás
• sum összegzés
• mean átlagszámítás
• length a vektor hossza
A R statisztikai programnyelv többféle adatbeolvasási lehetőséggel is rendelkezik.
Vihetünk be adatokat billentyűzetről, olvashatunk be file-okból vagy akár az
8
A függvény létrehozását a képlet elemeihez ragaszkodva oldottam meg. A valóságban ez az eljárás
egyszerűbben is létrehozható (és az igazat megvallva a függvény ’sd’ néven létezik is az R-ben):
std = function(x) sqrt(var(x))
9
Lehetőség van az attributumoknak kezdő érték megadására is. Ilyenkor, ha az attributum hiányzik,
akkor a megadott értékkel számol a program.
17
internetről is. Web oldalról a következőképpen olvashatunk be adatokat (jelen
esetben egy data frame-et):
xx = read.table(http://www.econ.unideb.hu/tarnoczi/buscalc/stocks.txt")
6. ábra
Függvény létrehozása az R rendszerben
Az utasítás a honlapról egy táblázatot olvas be, amely a BUX indexet, az OTP, az
EGIS és a BCHEM részvények záróárfolyamát, kereskedési mennyiségét és értékét
tartalmazza. Ha a beolvasott ’data frame’-et hozzárendeljük a rendszerhez (attach),
akkor az oszlop elnevezésekre, mint változókra hivatkozhatunk is.
Lehetőségünk van különböző formátumban megadott adatok beolvasására is, illetve
adatokat vehetünk át más rendszerekből is (pl.: Excel, SAS, SPSS, stb.). A rendszer
azt is biztosítja, hogy különböző adatbázis-kezelő rendszerek által létrehozott
adatbázisokból nyerjünk ki adatokat, illetve ilyen adatbázisokba vigyünk be adatokat.
Egy statisztikai programrendszer használatához elengedhetetlenül szükséges az
ábrázolási lehetőségek biztosítása. Az R nyelv nagyon magas szintű ábrázolási
lehetőségeket biztosít, a statisztikai ábrák széles körét képes létrehozni, de lehetőség
van a felhasználó általi új ábrázolási módok kialakítására is. A rendszer nagyon
lényeges szolgáltatása több, esetleg különböző típusú, ábrának egy keretben történő
elhelyezése.
Az R rendszerhez tartozó R(D)COM szerver lehetőséget biztosít standard
alkalmazásokkal történő összekapcsolódáshoz is. Ami azt jelenti, hogy az adott
rendszerből adatokat és utasításokat küldhetünk az R rendszerbe, és az R rendszer az
utasítások végrehajtásának eredményét visszaküldi a hívó rendszernek. Pl.: az
18
RExcel.xla Excel bővítmény segítségével a Microsoft Excelből is adhatók át adatok
és hívhatók meg R utasítások a 7. ábrán látható menürendszer felhasználásával. Ez a
megoldás kibővíti mind az Excel, mind az R rendszer lehetőségeit. Jól ki lehet
használni az R által biztosított szélesebb körű ábrázolási lehetőségeket, és az Excelbe
felvitt adatokat, elvégzett számítások eredményeit átadhatjuk az R rendszernek, és az
ott meglévő csomagok segítségével alaposabb elemzéseket is végezhetünk.
Az R rendszer további lehetőségei, hogy különböző grafikus programozási
lehetőségek is beépítésre kerültek (Tcl/Tk, Java), és lehetőség van a meglévő eljárás
csomagokhoz megfelelő input és output felületet elkészíteni. Igaz, ez már komolyabb
programozási feladatot jelent, de a Tcl/Tk nyelv grafikus utasításai viszonylag
könnyen megtanulhatók, és alkalmazhatók.
7. ábra
Az Rexcel.xla által biztosított menü az R rendszer használatához
Ellenőrző kérdések:
1. Mi a statisztikai adatfogalom?
19
2. Milyen módjai vannak az adatgyűjtésnek?
3. Mit jelent az adat információvá válása?
4. Melyek a számítógépes-adatfeldolgozás szakaszai?
5. Melyek a statisztikai adatok fő fajtái, és mi jellemzi azokat?
6. Melyek az Microsoft Excel főbb jellemzői?
7. Mi a függvényvarázsló szerepe az MS Excelben?
8. Az R statisztikai programnyelv (rendszer) jellemzői?
9. Hogyan foglalhatók össze az R rendszer főbb előnyei?
20
6 Főbb el oszl ástí pusok és ábrázol ási l ehetőségek
A valószínűségi eloszlások alapkoncepciónak tekinthetők a statisztikai
vizsgálatokban, amelyek mind elméleti mind gyakorlati szinten használunk. Az
eloszlások típusaival, tulajdonságaik felderítésével és megismerésével a
valószínűségszámítás foglalkozik. A matematikai statisztika minden megállapítását,
következtetését erre alapozza. A fejezetben leírtak megértéséhez az alapvető
valószínűségszámítási ismeretek meglétét feltételezzük.
Különböző kutatásokból nyert adatok kiértékeléséhez kapcsolódóan szükségessé
válhat hipotézisek megfogalmazása a vizsgálatba bevont változók eloszlásának a
meghatározásához, illetve bizonyos vizsgálatok elvégzéséhez szükségünk lehet
valamilyen ismert eloszlást követő véletlen számok előállítására. Fontos lehet az a
kísérlet vagy adatgyűjtés során létrejött adatsorok tesztelése előtt azok eloszlásának
meghatározása is. Előrejelzési célból is szükséges lehet annak megismerése, hogy
adattömegünk eloszlása milyen formát követ. Ahhoz, hogy az előzőeket
megtehessük, szükségünk van az elméleti eloszlástípusok alapvető jellemzőinek és
tulajdonságainak a megismerésére.
Melyik eloszlást használjuk? Tudnunk kell, hogy bizonyos jelenségek rendszerint
meghatározott eloszlást követnek. Például, azok a változók, amelyekhez független
véletlen események végtelen sorozata tartozik általában normális eloszlást követnek.
Azok a változók, amelyeknek az értékei rendkívül ritka események eredményei
általában Poisson-eloszlást követnek. Azok a főbb eloszlástípusok, amelyeket
például a túlélési modellekhez javasolnak, az exponenciális és a Weibull-eloszlások.
A főbb eloszlástípusokkal történő számítások mind az Excelben, mind az R nyelvben
megtalálhatóak. A különbség abban jelentkezik, hogy az Excelben csak az eloszlások
valószínűségértékének és sűrűségfüggvényének a kiszámítását biztosító függvények
találhatók (pl.: BINOM.ELOSZLÁS), addig az R rendszerben minden
eloszlástípushoz négy függvény található, például:
• dbinom – sűrűségfüggvény: általában a sűrűségfüggvény megrajzolásához
használják.
21
• pbinom – eloszlásfüggvény: arra ad választ, hogy mennyi annak a
valószínűsége, hogy a véletlen változó kisebb, mint x.
• qbinom – kvantilis függvény: a p… függvény inverze, és arra ad választ,
hogy melyik érték felel meg az adott valószínűségnek.
• rbinom – véletlen számok generálása (egyszerre több véletlen számot is
generál és egy vektorba helyezi azokat)
Ebben a fejezetben a nevezetesebb eloszlástípusok és azok főbb jellemzői kerülnek
bemutatásra.
7 Egyenletes eloszlás
A diszkrét eloszlások közül az egyik legfontosabb az ún. egyenletes-eloszlás. A
diszkrét egyenletes-eloszlás bemutatását elsősorban az indokolja, hogy az egyik
legfontosabb valószínűségszámítási tétel, a központi határeloszlás tétele levezetését
ennek segítségével szoktuk szemléltetni. A diszkrét egyenletes eloszlás gyakorlati
előfordulása viszonylag ritka, jelentősége csekély. Ez a lehető legegyszerűbb eset,
valamennyi értékhez ugyanakkora gyakoriság tartozik. A relatív gyakoriság a
különböző kategóriák, osztályok számának reciprokával egyenlő: a "férfi-nő", illetve
"fej vagy írás" esetében két osztály van, s ezért egyketted, azaz 0,5 (50 %) a relatív
gyakoriság, a dobókockánál egyhatod (0,167 = 16,7 %), a közlekedési lámpa fénye
(vörös, sárga, zöld; 0, 1, 2; 0,33 = 33 %), vagy a lottóhúzás.
X egyenletes eloszlású az (a,b) intervallumon (a<b) (jele: X U(a,b) eloszlású), ha
a b
x f

·
1
) (
, ha a<x<b és f(x) = 0 egyébként.
Az egyenletes eloszlást a gyakorlatban igen ritkán alkalmazzuk, ezért
bonyolultabban számítható várható értékét és szórását nem adjuk meg.
Az előzőekből is következően, az egyenletes eloszlás értékei egy adott [a, b]
tartományba esnek, ahol az ’a’ és a ’b’ értéke a probléma függvénye.
22
Az Excel nem biztosít igazán jó lehetőséget az egyenletes eloszlású értékek
előállítására, ugyan a RANDBETWEEN függvény lehetővé teszi, hogy megadott
intervallumba eső véletlen számokat állítsunk elő. Az R rendszer a (d,b,q,r)unif
függvénnyel lehetővé teszi az eloszlással való számolást. Még jobb lehetőséget
biztosít a sample függvény, amelyet használhatunk ismétléses, illetve ismétlés
nélküli formában.
3 . feladat
• dobjunk 10-szer egy kockával
> sample(1:6, 10, replace=TRUE)
[1] 6 1 4 2 5 4 1 6 1 1
10
• dobjunk 20-szor egy pénzérmével
> sample(c(”F”,”Í”), 20, TRUE)
[1] "Í" "Í" "F" "F" "Í" "Í" "Í" "Í" "F" "F" "Í" "Í" "Í" "F" "F" "Í" "F" "F" "F"
[20] "F"
11
• állítsunk elő 5 számot az ötös lottóhoz
> sample(1:90, 5)
12
[1] 17 7 69 66 47
• a magyar kártya lapjaiból válasszunk ki 8-at (ez már egy kicsit összetettebb
feladat, használnunk kell a paste
13
utasítást is)
> kártya = paste(c(”piros”, ”tök”, ”zöld”, ”makk”),
+ rep(c(7:10, ”alsó”, ”felső”, ”király”, ”ász”), 4))
14
> sample(kártya, 8)
[1] "makk ász" "tök 8" "tök felső" "piros alsó" "tök felső"
[6] "piros 7" "zöld király" "piros alsó"
10
Az eredménysor elején lévő szám ’[1]’ a vektor indexére utal. Ha több soros eredményt kapunk,
akkor soronként az előző sor elemszámának figyelembe vételével folytatódik a számozás.
11
”F” – fej; ”Í” - írás
12
A 3. paramétert, amely az ismételhetőségre vonatkozik, mert az alapértelmezés, hogy nincsen
ismétlés.
13
Az argumentumaiból karakter sztringet hoz létre, és a rész sztrigeket összefűzí.
14
A ’rep’ a megadott számnak (4) megfelelően többszörözi a megadott adatsorozatot.
23
4 . feladat
Állítsunk elő 1000 darab 0 és 1 közötti egyenletes eloszlású véletlen számot és a
kapott értékeket és ábrázoljuk hisztogrammal (8. ábra).
> x = runif(1000)
> hist(x, probability=TRUE, col=gray(0.8),
+ main=”[0,1] egyenletes eloszlás”, ylab=”sűrűség”)
15
> curve(dunif(x, 0, 1), add=T)
16
8. ábra
1000 darab egyenletes eloszlású véletlen szám
15
probability = TRUE – a hisztogram gyakoriságokat ábrázol
col – az oszlopokat kitöltő szín
main – a hisztogram címe
ylab, xlab – az y, illetve az x tengelyek elnevezése
16
A megadott függvényhez vagy kifejezéshez kapcsolódó görbe megrajzolása.
24
8 Binomiális eloszlás (Bernoulli eloszlás)
A diszkrét eloszlások nagyon sok esetben, megállapítható változók viselkedését írják
le jól. Abban a - legegyszerűbb - esetben, ha a változó csak két értéket vehet föl -
hasonlóan a logikai értékekhez -, akkor az értékek eloszlása binomiális eloszlást
határoz meg.
A statisztikusok gyakran vizsgálnak olyan típusú jelenségeket, amelyekben
– egy megismételhető esemény sikeres vagy sikertelen kimenetelű,
– sok ismétlődés figyelhető meg,
– a siker és a sikertelenség megszámlálható,
– a sikerek száma segít ismereteket szerezni a sikeresség valószínűségéről.
Az ilyen jellegű jelenségek jellemzője, hogy a vizsgált populáció egyedeinek egyik
hányada megadott tulajdonságú. A két kimenetű (dichotóm) jelenséghez kapcsolódó
kísérleteket N-szer elvégezve (N próbát téve), az egyik alternatíva
bekövetkezéseinek a száma (X) binomiális eloszlást követ. A kísérletben P(X) annak
a valószínűsége, hogy az egyik alternatíva k-szor bekövetkezik. A binomiális
kísérletek nagyon elterjedtek. Ilyenek lehetnek például orvosi kísérletek, toxicitási
tesztek, ökológiai kísérletek, minőség ellenőrzések.
A két kimenetű események a 0 és az 1 számjegyekkel kódolhatók. Például, egy adott
eseményhez kapcsolódó személyekből (populációból) mintát veszünk (N) és meg-
vizsgáljuk, hogyan alakul az eseményben résztvevő férfiak személyek aránya. A
vizsgálatban az 1-es számjegy jelenti a férfiakat, a 0 pedig a nőket. Egy ilyen
populációból vett mintában a sikeres találatok száma X (az 1-es számmal kódoltak).
A sikeresség valószínűsége p-vel jelölhető. Az előzőek így a következőképpen is
leírhatók:
X ~ Binominális(N, p)
Ahol a „~” jel „eloszlású”-ként olvasható, azaz a teljes kifejezés azt jelenti, hogy az
X egy (N, p) paraméterű binomiális eloszlás. A binomiális kísérletek esetében fontos
feltételezés, hogy az N előre rögzített, a p minden próbálkozás esetén ugyanaz, és
25
bármely próba kimenete nem befolyásolja a többi próbák kimeneteit. Ha N = 1,
akkor azt mondjuk, hogy az X Bernoulli(p) eloszlást követ, és így írjuk:
X ~ Bernoulli(p)
Az egyedi próbálkozásokat egy binomiális kísérletben Bernoulli-próbálkozásoknak
nevezzük. Amikor binomiális kísérletet hajtunk végre, az X egy 0 és N közötti egész
értéket vesz fel, és tudnunk kell a hozzákapcsolódó valószínűséget, azaz a P[X = k]-t
a k valamennyi 0 és N közötti értékére. Ez a valószínűség a következő egyenlőséggel
adható meg:
k N k
p p
k N k
N
k X P



· · ) 1 ( * *
)! ( !
!
] [
vagy egyszerűen
ahol
N - a minta mérete (próbálkozások száma)
k - a megfigyelések száma
p - az 1-gyel kódolt megfigyelések arány
Az eloszlás általános statisztikai jellemző
Átlag Terjedelem Szórás Relatív szórás
N * p 0 .. N p) (1 *p* N −
p * N
p (1 ) −
k N k
p
k
N
k X P

,
`

.
|
· · ) 1 ( * * ] [
26
5 . feladat
Mekkora valószínűséggel találunk egy 5 %-os selejtaránnyal jellemezhető
tömeggyártásból kivett 20 elemű véletlen mintában 1 db selejtes terméket?
p = 0,05 k = 1 N = 20
Excel megoldás:
Az „Eloszlásfv” attribútum a függvény fajtáját megadó logikai érték: ha IGAZ, a
BINOM.ELOSZLÁS az eloszlásfüggvény értékét számítja ki (amely annak a
valószínűsége, hogy csak a sikeresek sikeresek), egyébként a sűrűségfüggvényét
(amely a sikeresek valószínűsége).
A megoldás a függvényvarázslóban található és értéke: 0,377353603
Megoldás az R rendszerben:
> dbinom(1, 20, 0.05)
[1] 0.3773536
27
6. feladat
Tételezzük fel, hogy a gyógykezelés 75 %-ban eredményes. A kezelést 4 páciens
esetében alkalmazzák. Átlagosan 4 páciensből 3 reagál a kezelésre, de ostoba dolog
lenne azt gondolni, hogy minden 4 páciensből 3 mindig reagál a kezelésre. A reagáló
páciensek száma próbálkozásról próbálkozásra változni fog, mégpedig binomiális
eloszlásnak megfelelően.
> sikeresség = c(0, 1, 2, 3, 4)
> valószínűség = dbinom(sikeresség, 4, 0.75)
> data.frame(sikeresség, valószínűség, row.names="sikeresség")
Eredmény a különböző sikerességi értékek esetén, amelyek az első oszlopban
találhatók:
9 Poisson-eloszlás
A diszkrét eloszlások közül legfontosabb a Poisson-eloszlás - amely a binomiális
eloszlás határesetként (bizonyos feltételek mellett) valósulhat meg. Az ad neki
ekkora jelentőséget, hogy igen gyakran lép fel a természetben és jó közelítését adja a
gyakorlatban előforduló véletlen változónak.
A Poisson-eloszlás a diszkrét binomiális eseményekhez kapcsolódó eseményeket írja
le, amely megfigyelési típusok a következő helyzetekben fordulnak elő:
• egy vizsgálat tárgyköre, rendszerint egy terület vagy egy időblokk,
28
• események, amelyek látszólag véletlenszerűen keletkeznek az adott
tartományban,
• létezik egy alaparány, amelyen az események előfordulnak.
Ilyenek esetek fordulhatnak elő például ökológiai vizsgálatoknál, számítógép
programozásnál, minőség ellenőrzések esetében, genetikai kutatásokban, közlekedési
vizsgálatokban és a vevők kiszolgálásánál (pl.: üzletben, bankban, okmányirodában,
stb.).
Például, az iskolában a tanulók vagy jelen vannak vagy nincsenek. Annak az esélye,
hogy az összes tanuló hiányzik elég kicsi. Annak a valószínűsége, hogy X számú
gyerek hiányzik az iskolából az iskola méretével (n) növekszik. Egy másik példa
lehet a hallgatók lemorzsolódása (kimaradása). Minden egyes hallgató lehet
kimaradó vagy nem kimaradó „állapotban”. A hallgató kimaradásának a
valószínűsége rendszerint elég kicsi. Annak a valószínűsége, hogy X hallgató fog
kimaradni egy megadott időszakban Poisson-eloszlással írható le.
A Poisson-eloszlást szokták a kis számok „törvényének” is nevezni, mert az, a ritkán,
de nagyon nagy valószínűséggel, bekövetkező események előfordulási számának a
valószínűségi eloszlása.
Azt az arányt, amelyen az események előfordulnak rendszerint λ-val jelölik, a
vizsgálati területen előforduló események számát pedig X-szel, és a jelenség a
következőképpen is leírható:
X ~Poisson(λ)
Fontos követelmény a Poisson-típusú vizsgálatokkal, hogy a két esemény nem
fordulhat elő egyszerre pontosan ugyanazon a helyen és időben, hogy az l
1
helyen
előforduló esemény nincsen hatással bármely más l
2
helyen előforduló eseményre,
valamint az események felmerülésének aránya a vizsgálati területen nem változik.
Amikor egy Poisson-kísérlet kerül megfigyelésre, az X egy nem-negatív egész
számmá változik, és a hozzákapcsolódó valószínűség a következő egyenlettel adható
meg:
29
[ ]
!
*
k
e
k X P
k λ
λ

· ·
A statisztika egyik alapvető témája az a mennyiségi (kvantitatív) vizsgálati mód,
amely lehetőséget biztosít számunkra, hogy a tanulmányozott jelenségről ismereteket
szerezzünk (pl.: egy Poisson-eloszlás λ arányáról).
Az eloszlás általános statisztikai jellemző
Átlag Terjedelem Szórás Relatív szórás
Λ 0 .. +∞ λ
λ
1
7. feladat
Egy készülék meghibásodásainak átlagos száma 10000 működési óra alatt 10.
Határozzuk meg annak a valószínűségét, hogy a készülék 200 működési óra alatt
nem romlik el!
Excel:
=POISSON(0;200*10/10000;HAMIS)
0,818730753
R rendszer:
> dpois(0, 200 * 10 / 10000)
[1] 0.8187308
10 Exponenciális eloszlás
Az exponenciális eloszlást olyan Poisson-folyamatok modellezésére használhatjuk,
amelyeknél egy kezdetben az A állapotban lévő objektum, λ időegységenként
konstans valószínűséggel, a B állapotba tud elmozdulni. Az időegység, amely alatt az
állapot aktuálisan megváltozik, egy λ paraméterű exponenciális véletlen változóval
írható le. Tehát az exponenciális eloszlás egy folyamatosan zajló folyamat
állapotváltozási idejét írja le. Az exponenciális eloszlás függvénnyel az események
30
között eltelt idő modellezhető (például, egy bankjegykiadó automata a kéréstől
számítva mennyi idő múlva adja ki a pénzt).
A valós világban a konstans arányú (vagy egység időnkénti valószínűség)
megközelítés ritkán kielégítő. Például, a bejövő telefonhívások napszakonkénti
aránya különbözik, de ha kijelölünk egy időintervallumot, akkor már egy nagyjából
konstans arányt találhatunk, és az exponenciális eloszlás az idő jó becslő
modelljeként használható a következő telefonhívások beérkezéséhez. Az
exponenciális eloszlás használható a következő esetekben is: az idő, amíg a
következő autóbaleset bekövetkezik; az idő, amíg a radioaktív részecske lebomlik; a
kockadobások száma, ami ahhoz szükséges, hogy tizenegyszer dobjunk 6-ost egymás
után; az idő, amíg egy nagy meteor becsapódás tömegpusztító eseményt okoz; a
távolság egy DNA szálon bekövetkezett mutációk között; az időtáv az utcai
gyilkosságok között egy adott utcán; stb.
Ezekben a példákban az várható, hogy a hívások, az idő és a távolság többnyire rövid
lesz és csak kevés esetben hosszú. Így a sűrűség X = 0 közelében lesz nagy és
csökken, amint az X növekszik. Ezekben az esetekben lehet hasznos az exponenciális
sűrűség
0 *
1
) ( > ·

x e x p
x
λ
λ
Az X egy paraméterű exponenciális eloszlást követ, azaz
X ~Exponenciális(λ)
Az eloszlás általános statisztikai jellemző
Átlag Terjedelem Szórás Relatív szórás
Λ 0 .. +∞ λ 1
8. feladat
Egy villanyégő átlagos élettartama 2500 óra, az exponenciális eloszlás szerint
alakuló élettartam átlaga 2500. Az eloszlás paramétere 1/átlag. Az előző értékek
31
figyelembe vételével készítsünk egy hisztogramot 100 véletlen szám generálásával
(9. ábra).
> x = rexp(100, 1/2500)
> hist(x, probability=TRUE, col=gray(0.9),
+ main=”Exponenciális eloszlás”, ylab=”sűrűség”)
> curve(dexp(x, 1/2500), add=T)
9. ábra
Véletlenszerű exponenciális adatok
32
11Normális eloszlás
Mind elméleti mind gyakorlati szempontból valószínűleg a normális eloszlás a
legfontosabb eloszlás típus a statisztikában, mert
• több hagyományos statisztikai teszt azon a feltételezésen alapszik, hogy az
adatok normális eloszlást követnek,
• a statisztikai modellekben, mint például a lineáris és a nem-lineáris regresszió
esetében, azt feltételezzük, hogy a hiba normális eloszlást követ,
• a normális eloszlást használjuk több hipotézis teszt és a konfidencia
intervallum meghatározása esetében a szignifikancia szint megkereséséhez.
A normális eloszlás folytonos, szimmetrikus eloszlástípus. A grafikon, a függvény
görbéje haranghoz hasonlít, a csúcsa lekerekített - sem lapos, sem hegyes nem lehet.
Mindezek miatt "harang-görbének", vagy Gauss-görbének is szokták nevezni (10.
ábra). Kétoldalt messze (elvileg végtelen messze) elnyúlik, de a maximumához
viszonylag közel már annyira megközelíti az x tengelyt, hogy sem rajzolni nem lehet,
sem számításba venni nem kell. Jellegén belül formája nagyon változatos lehet:
kiemelkedőbb, vagy lapultabb; a függőleges y tengelyt is metszheti.
10. ábra
A normális eloszlás sűrűségfüggvénye és a paraméterek jelentése
Azt is szokták mondani, hogy a normál eloszlás a klasszikus statisztikai elmélet
gerince, a központi határeloszlás tétele következtében. A normál eloszlás, mint a
kvantitatív jelenségek modellezési módszere alapvető fontossággal bír a természet-
33
és a magatartástudományokban, a központi határeloszlás tételének következtében. A
természettudományokban a jelenségek többsége jól közelíthető a normál eloszlással.
A normál eloszlásnak nagy a jelentősége a statisztika több területén is, mint például a
mintavételi eljárások.
Gyakran van szükség az Y folytonos véletlen változó modellezésére, amelynek a
sűrűsége harang alakot követ. Minden ilyen esetben a véletlen változó várhatóan
rendelkezik egy központi értékkel, amely körül a megfigyelések többsége
csoportosul, és ahogy távolodunk a központi értéktől, egyre kevesebb és kevesebb
megfigyelést találhatunk. Ez azt jelenti, hogy a valószínűségi sűrűségfüggvény a
legnagyobb értékkel a centrumban rendelkezik, amely a centrumtól mindkét irányba
távolodva csökken. A normális eloszlás függvény
2
σ
μ Y
*
2
1
e *
σ * π * 2
1
P(Y)

,
`

.
| −

·
A normális eloszlás speciális esete a standard normális eloszlás, amikor a μ = 0 és a
σ = 1. Ebben az esetben az eloszlásfüggvény
2
Y
e *
π * 2
1
P(Y)
2

·
Ha az X valószínűségi változó N(μ, σ) normális eloszlású, akkor a
változó N(0,1) standard normális eloszlású. Ezért, ha az x
1
, x
2
, …, x
n
minta egy N(μ,
σ) eloszlású populációból származik, akkor a minta z étékei, azaz a standardizált
mintaelemek, standard normális eloszlásúak lesznek.
Az Y μ átlagú és σ szórású normál eloszlást követ, azaz
X ~Normál(μ, σ)
Az eloszlás általános statisztikai jellemző
Átlag Terjedelem Szórás Relatív szórás
σ
µ −
·
X
z
34
Μ -∞ .. +∞ σ
μ
σ
9. feladat
Egy laboratóriumban a kísérleti patkányok testsúlyait normális eloszlásúnak találták
µ =14 átlaggal és σ =2 szórással. Egy ilyen populációban mi annak a valószínűsége,
hogy a patkányok testsúlya 10 és 15 közé esik?
Excel:
A valószínűségi értéket a ”C6 – C5” művelet elvégzése után kapjuk. (Az Excel egyik
hátránya, hogy a táblázatból első rátekintésre nem látszik, hogyan számoltunk, csak
ha a megfelelő cellá(k)ra lépünk és megnézzük az abban szereplő képletet.)
R rendszer:
> (pnorm(15, 14, 2) - pnorm(10, 14, 2)) * 100
35
[1] 66.87123
Tehát várhatóan a populáció 66.87 %-ának a testsúlya fog 10 és 15 közé esni.
10. feladat
A vámpír denevérek tépőfogainak a hossza normális eloszlást követ µ = 28 mm
átlaggal és σ = 4 mm szórással. Azoknak az állatoknak a harapása halálos, akiknek a
tépőfogmérete a populáció felső 5 %-ába esik. Számítsuk ki, hogy ez hány mm-es
fogméretet jelent.
Excel:
A megoldás előállítása a táblázatból nem látszik pontosan. A megoldás előállításához
fel kell használni az ”Eszközök” menüpontban lévő ”Célértékkeresés” almenüt,
amelynek segítségével meghatározzuk a standard normális eloszlás értékét, és annak
felhasználásával a táblázat C5 cellájában látható képlet segítségével meghatározzuk
azt az értéket, amely már a megadott intervallumba esik.
R rendszer:
> qnorm(0.05, 28, 4, lower.tail = FALSE)
[1] 34.57941
36
Az R rendszerben a feladat megoldása egyszerűbb, mert egyetlen függvénnyel
eljuthatunk az eredményhez. (Az R általában sokkal szélesebb számítási
lehetőségeket biztosít, mint az Excel.
17
)
12 Ábrázolási lehetőségek
A régi kínai mondás szerint: egy kép tízezer szónál többet ér. Bár ez nem mindig
igaz, kétségtelen, hogy egy jó ábra sok szöveget pótol. A mérnöki, hivatalos és
tudományos közlésben az ábrák legfontosabb célja a mondanivaló szemléletessé
tétele.
A diagramok (vagy más néven grafikonok) segítségével az adataink könnyen
szemléletessé, jól áttekinthetővé tehetők, így azok értelmezése egyszerűbbé válik.
Szinte minden táblázatkezelő lehetővé teszi, hogy adatainkat diagram formájában is
megjeleníthessük. Sok program esetében - ilyen az Excel és az R is - a táblázat adatai
és a diagramok szerves egységet képeznek, ami többek között azt jelenti, hogy a
táblázat adatainak megváltoztatásakor a diagram automatikusan módosul.
Az ábrák készítésének vannak olyan alapelvei, amelyek általánosan érvényesek
minden típusra, mint például
• szükségesség
Csak akkor alkalmazzunk illusztrációt, ha valóban szükséges, ha új
információt ad.
• pontosság
Legyen az ábra összhangban a szöveggel, ugyanaz legyen a mondanivalója.
• szerkesztés
A jó ábra tetszetős, nem túlzsúfolt, mégsem semmitmondó. A szerkesztés
igazodjon a tartalomhoz, és esztétikailag is pozitív benyomást keltsen az
olvasóban.
17
A szélesebb körű számítási lehetőséget az is biztosítja, hogy sok helyen fejlesztettek/fejlesztenek ki
speciális alkalmazásokat, amiket később szabadon hozzáférhetővé tesznek. Még nagyobb lenne a
jelentősége az R rendszernek, ha magas szintű grafikus felület is támogatná.
37
• láthatóság
Minden kép, ábra és táblázat megfelelő méretű, kontrasztos, jól olvasható
legyen. Az ábra segítségével felkelthetjük a figyelmét, arra késztetve, hogy
utánanézzen a pontos értékeknek a táblázatban.
• érthetőség
Illusztrációink a szöveg gondos tanulmányozása nélkül is érthetőek legyenek,
ne kívánjanak az olvasótól nagy erőfeszítést.
A következőkben tárgyalt ábrázolási lehetőségek – kisebb-nagyobb eltérésekkel -
többnyire megtalálhatók mind az Excelben és mind az R statisztikai rendszerben.
Ugyanakkor az R rendszer sokkal többféle ábrázolási lehetőséget biztosít, mint az
Excel táblázatkezelő és az R-ben könnyen létre tudunk hozni összetett ábrákat is (11.
ábra).
11. ábra
Összetett ábrázolás az R rendszerben
38
A R rendszer nem csak az ábrák típusában biztosít többféleséget, hanem azok
kivitelezésében, és milyenségében. (12. ábra
12. ábra
Az R rendszer grafikus lehetőségei
13 Hisztogramok
A hisztogramok nagyon hasznos grafikus lehetőségek egy változó adatainak
megjelenítésére, és fontos eszközei lehetnek a kutató- és elemző munkának,
amelyeket általában gyakorisági sorokból készítenek. A hisztogram egy rendezett
minta előre kitűzött változó-tartományaiba eső elemek számát vagy gyakoriságát
ábrázolja. A hisztogram részekre bontja a sokaságot (osztályokat képez) és megadja
az egyes részsokaságokhoz tartozó megfigyelésszámot. Az egyes részsokaságok
egyedszámát általában oszlopok formájában jeleníti meg, és az oszlopok nagysága az
egyedek részsokaságonkénti arányát mutatja.
Azt is mondhatjuk, hogy a hisztogram egy olyan táblázat grafikus verziója, amely azt
mutatja meg, hogy a megfigyelések milyen aránya esik a megadott kategóriákba, és
39
ahol a kategóriák (oszlopok) rendszerint egymást nem átfedő, de egymás mellett lévő
intervallumok.
A hisztogramoknak több fajtája is lehetséges. Ebben a részben csak a két alapformát
mutatjuk be:
• Az első forma az intervallumonkénti elemszámot mutatja be, ahol az
oszlopok magassága egyenlő a rész sokaság arányával az összsokaságon
belül, és az oszlopok abszolút számokat mutatnak.
• A második forma a vertikális skálát tekintve különbözik az első formától,
mert az oszlopok magassága az összsokaságon belüli százalékos arányt
képviseli és az oszlopértékek összege 100 %. Ezt a formát akkor célszerű
használni, ha az arányokat akarjuk összehasonlítani.
A hisztogram a következőket mutatja meg grafikusan:
• az adathalmaz közzépontja,
• az adathalmaz terjedelme,
• az adathalmaz ferdesége,
• kiugró adatok jelenléte,
• többszörös módusz jelenléte az adathalmazban.
Az előzőek alapján, összefoglalva azt is mondhatjuk, hogy a hisztogramok
megmutatják az adathalmaz eloszlásának alakját. Vigyáznunk kell azonban az
intervallumok számának a megválasztásánál, mert túl kevés intervallum kitűzésekor
az információ szegényes lesz, túl sok esetén pedig a kapott ábra lesz áttekinthetetlen.
11. feladat
30 db AA típusú elemet teszteltek az élettartamuk megállapítása érdekében, és a
következő adatokat kapták (perc):
R rendszerben (13. ábra):
> élettartam = c(423, 369, 387, 411, 393, 394, 371, 377, 389, 409, 392, 408,
+ 431, 401, 363, 391, 405, 382, 400, 381, 399, 415, 428, 422, 396, 372, 410,
+ 419, 386, 390)
40
> hist(élettartam, main="Élettartam teszt eredménye",
+ xlab="élettartam (perc)",ylab="gyakoriság")
18
13. ábra
Az R rendszerben készített hisztogram
Lehetőség van a hisztogram jellemzőinek a kiíratására és feldolgozására is (14. ábra),
ha az eredményt egy változóban eltároljuk (pl.: élettartam.hisztogram.jellemzők
19
)
> hist(élettartam, plot = F
20
)
18
A hist függvénynek további paraméterei is vannak, amelyekkel a hisztogram tovább fínomítható. A
további parancsok a Help (?) utasítással megnézhetők.
19
Az R rendszerben, ha egy név több részből áll, akkor a részeket ponttal lehet összekapcsolni.
20
Az egyes elnevezések jelentései:
breaks – intervallum határok
counts – intervallumok egyedszámai
intensities (densities) – a relatív gyakoriságok
mids – intervallum közepek
equidist – egyenlő intervallum méret vagy nem
41
14. ábra
A 13. ábrán látható hisztogram jellemzői
Excel:
Az Excelben az Eszközök menü Adatelemzés almenüjéből érhető el a hisztogram
készítés. Az eljárás segítségével egy cellatartomány adatai és az adatkategóriák
alapján egyenkénti és halmozott gyakoriságok számíthatók ki. A hisztogram
eljárással az adathalmazban egy megadott érték előfordulásainak számát is ki lehet
számítani (15. ábra).
Az Excelben egyszerű a hisztogram létrehozása, de csak egyszerűbb hisztogramok
hozhatók létre. Jelen feladatban ugyan az látszik, hogy az Excel hisztogramja szebb
kivitelezésű, de ha megnézzük az R alábbi hisztogram-függvény paraméterezési
lehetőségeit, akkor azt látjuk, hogy még sok lehetőséget lehetne használni:
hist(x, breaks = "Sturges", freq = NULL, probability = !freq,
include.lowest = TRUE, right = TRUE, density = NULL, angle = 45,
col = NULL, border = NULL, main = paste("Histogram of" , xname),
42
xlim = range(breaks), ylim = NULL, xlab = xname, ylab, axes = TRUE,
plot = TRUE, labels = FALSE, nclass = NULL, ...)
21
15. ábra
Az Excelben előállított hisztogram
Az R esetében az alap lehetőség mindig egy nagyon egyszerű ábra létrehozása vagy
számítás elvégzése, ami paraméterezéssel tovább finomítható és nagyon elegánsan
kivitelezett ábrák is létrehozhatók. Mivel a paraméterek többségének kezdő értéke is,
amint az a hist függvényből is látható, ezeket nem szükséges megadni, és akkor a
program a kezdő értékkel számol, de ha akarjuk, ezeket meg tudjuk változtatni.
14 Pont-, vonal-, oszlop- és kördiagramok
A pontdiagramokat általában két változó közötti lehetséges kapcsolat vizsgálatára,
megjelenítésére alkalmazzák. Ezek a diagramok általában nem mutatják meg a két
21
A függvény paramétereinek pontos jelentése az R rendszer help utasításának segítségével
megnézhető (?hist vagy help(hist)). A help minden R függvény esetében jól használható és
megfelelő információt ad a függvény használatáról. A helpben találhatók példák is a függvény
használatához és néhány függvény esetében adatfile-okat is mellékelnek, amelyek segítségével a
függvények kipróbálhatók.
43
változó közötti oksági kapcsolatot, de jelezhetik a kapcsolat fennállását (regresszió)
és a kapcsolat erősségét (korreláció) is. A két változó értékei az X és az Y tengelyen
jelennek meg, ahol általában az X tengely tartalmazza a mért értéket, és az Y tengely
pedig a másik változónak ahhoz kapcsolódó mértékét jeleníti meg. A pontdiagram
használatának általában az a célja, hogy azt vizsgáljuk meg, milyen kapcsolat lehet
két változó között, és a kapcsolatot a pontok tendenciájának a meredeksége jelzi. A
kapcsolat alapvetően háromféle lehet: pozitív (emelkedő), negatív (csökkenő) vagy
nincsen kapcsolat.
A vonaldiagram numerikus mennyiség(ek) folytonos skála feletti változását
szemléltető grafikon. Matematikailag függvényábrázolás adott pontokban ismert
értékek alapján. Interpolációra (köztes értékek becslésére) és extrapolációra alkalmas
(szélső értékek becslésére, előrejelzésre). A vonaldiagram egy lehetőség annak
összefoglalására, hogy az információ két ”darabja” hogyan viszonyul egymáshoz és
hogyan változnak egymás függvényében. A vonaldiagram lehet olyan grafikontípus
is, amely egyenlő közönként elhelyezkedő adatok változását vagy trendjét mutatja.
Az adatok adatpontok egy sorozatát összekötő vonalként jelennek meg. A
vonaldiagram hasonlít a területdiagramra, de a vonaldiagram inkább a trendeket
emeli ki. Nem szabad vonaldiagramot alkalmazni olyan adatsor esetén, amelyben az
adatok között nincs (pl. mért értéken alapuló) átmenet. Ez ugyanis azt sugallja, hogy
két szomszédos érték közötti részre vonatkozóan is rendelkezünk információval,
pedig ez nem igaz.
Pont- és vonaldiagramot mindkét programban egyszerűen lehet létrehozni. Az
Excelben a grafikonvarázslóval tudunk létrehozni ilyen típusú grafikonokat a Pont
vagy a Grafikon parancsok segítségével (16. ábra).
Az R rendszerben a ”plot” függvénnyel tudunk pont- vagy vonaldiagramokat
létrehozni.
44
16. ábra
A grafikonvarázsló az Excelben.
12. példa
Generáljunk 100 db Poisson-eloszlású, λ = 5 paraméterű véletlen számot, és
ábrázoljuk az egyes számokhoz tartozó gyakoriságokat egy pontdiagramban (17.
ábra).
> plot(table(rpois(100,5)), type = "p", col = "red", lwd=10,
+ main="Poisson véletlen számok(lambda=5)",
+ ylab="gyakoriság",xlab="véletlenszámok")
Az oszlopdiagram a diszkrét – vagyis elkülönült elemekből álló, nem folytonos –
kategóriákhoz tartozó számadatok szemléletes összevetésére szolgáló ábrázolási
módszer. A számadatokat az oszlopok magassága jelzi. Az oszlopdiagram az értékek
45
időbeni változását mutatja be, vagy különböző tételeket hasonlít össze. A kategóriák
horizontálisan (vízszintesen), az értékek vertikálisan (függőlegesen) helyezkednek el,
ezzel kiemelve az időbeli változást. A halmozott oszlopdiagramok az egyedinek az
egészhez való viszonyát tükrözik. Az oszlopdiagrammal gyakorlatilag megegyezik a
sávdiagram, ahol az egyes oszlopok vízszintesen helyezkednek el.
17. ábra
Pontdiagram az R rendszerben
13 . feladat
Egy felmérés során 25 főt kérdeztek meg a sörivási szokásaikról, hogy melyik típust
szeretik: belföldi doboz (1), belföldi üveg (2), csapolt (3) és import (4). A válaszok:
3 4 1 1 3 4 3 3 1 3 2 1 2 1 2 3 2 3 1 1 1 1 4 3 1
Készítsünk oszlopdiagramot a gyakoriságok és az arányok ábrázolásásra.
46
Az Excelben a normál oszlopdiagram előállítása viszonylag egyszerű (18. ábra), de
ha gyakorisági sorként vagy arányként szeretnénk ábrázolni, akkor el kell végezni
bizonyos csoportosításokat, számításokat.
Excel:
18. ábra
Sörivási szokások felmérésének ábrázolása
R rendszer
Az R rendszer beépített utasításainak köszönhetően a probléma viszonylag
egyszerűen megoldható. A megoldást három oszlopdiagramban mutatjuk be,
mégpedig úgy, hogy az oszlopdiagramokat egy keretben helyezzük el (19. ábra).
> sörivás = c(3, 4, 1, 1, 3, 4, 3, 3, 1, 3, 2, 1, 2, 1, 2, 3, 2, 3, 1, 1, 1, 1, 4, 3, 1)
> par(mfcol=c(1,3))
22
> cl =colors()
23
> barplot(sörivás, col=cl[1:25], main=”Sörivás teszt”, sub=”alap”)
22
Ezzel az utasítással lehet mátrix elrendezésű grafikon sorozatot létrehozni. Az első érték az
oszlopok számát, a második érték a sorok számát jelenti. Jelen esetben 1 sort és 3 oszlopot hozunk
létre.
23
Beolvassuk az összes lehetséges színt, ami 658 darab.
47
> barplot(table(sörivás), col=cl[1:25], main=”Sörivás teszt”,
+ sub=„gyakoriság”)
> barplot(table(sörivás)/length(sörivás), col=cl[1:25],
+ main=”Sörivás teszt”, sub=”arány”)
19. ábra
Oszlop diagram az R rendszerben
A halmozott oszlopdiagramban (osztott oszlopdiagram) az egyes adatsorokat
szimbolizáló oszlopok egymás tetejére kerülnek, így nemcsak az egyes oszlopok
nagysága, hanem azok együttes értéke is leolvasható. Ezt a diagramtípust
használhatjuk pl. az egyes havi gáz-, villany- és telefonszámlánk ábrázolására. Így
leolvasható az egyes számlák, valamint a teljes havi rezsi nagysága is.
A kördiagram viszonylag kisszámú érték és csak egyetlen adatsor megjelenítésére
alkalmas, ahol az egyes körcikkek aránya fejezi ki a részadatok nagyságát, a tételeket
az egészhez viszonyított arányát mutatja be. A kördiagram csak egy adatsorozatot
48
jelenít meg, ezért egy fontos jellemző kiemelésére a leghasznosabb. Mivel a részek
az egészhez való arányviszonyának bemutatására szolgál, ezért csak akkor
alkalmazható, ha ismerjük az alaphalmazra vonatkozó adatokat.
Az Excelben a Grafikonvarázslót tudjuk használni kördiagramok ábrázolására, míg
az R-ben a ”pie” függvényt.
15 Boxplot ábrázolás
A boxplot-ok (vagy „szakállas ábrák”) egyfajta összefoglaló statisztikát (medián,
felső és alsó kvartilis, maximum és minimum érték) készítenek egydimenziós
adatokról és ezt az összefoglaló statisztikát speciális formában (2. ábra) megjelenítik
A 20. ábra alapján a boxplot a következőképpen interpretálható:
• a ’doboz’ az adatok középső 50 %-át tartalmazza, a ’doboz’ felső sarka az
adatok 75 %-át (harmadik kvartilis), míg az alsó sarka a 25 %-át (első
kvartilis) jelzi, amit interkvartilis távolságnak (IQR) neveznek;
• a ’dobozban’ található vonal a mediánt jelzi;
• ha a ’dobozban’ található medián-vonal nem egyenlő távolságra van az alsó
vagy a felső saroktól, akkor az adatok asszimetrikusak (ferdeség);
• a ’dobozból’ kiinduló vertikális vonalak végei a maximális és a minimális
értéket jelzik, kivéve azt az esetet, amikor az adatok kívül esnek az
interkvartilis távolság másfélszeresén;
• az extrém pontok (apró körökkel, pontokkal jelölve), ha az értékek kívül
esnek az ”1.5 * IQR” távolságon akár az első, akár a harmadik kvartilis
esetében.
A boxplot erősségei:
• grafikusan mutatja be egy változó értékeinek az elhelyezkedését és
terjedelmét,
• jelzéseket ad az adatok szimmetriájáról és ferdeségéről,
• más módszerektől eltérően megmutatja, hogy az adathalmaznak vannak-e
extrém pontjai,
49
• jó és gyors összehasonlítási lehetőséget biztosít különböző adathalmazok
számára.
20. ábra
Általános boxplot ábrázolás
14. feladat
A UsingR csomagban (package) lévő EWR adathalmaz
24
és boxplot ábrázolási mód
felhasználásával ábrázoljuk a taxik beérkezési és kiindulási időpontjait a Newark
repülőtérre az egyes repülőgép társaságok vonatkozásában (1999-2001), egy ábrában
(21. ábra). Az adathalmaz 46 sort és 11 oszlopot tartalmaz, amelyek különböző
hónapokban tartalmazzák a taxik adatait. A repülőgépkódok: AA (American
Airlines), AQ (Aloha Airlines), AS (Alaska Airlines), CO (Continental Airlines), DL
(Delta Airlines), HP (America West Airlines), NW (Northwest Airlines), T TW
(Trans World Airlines), UA (United Airlines), US (US Airways), és WN (Southwest
Airlines).
> library(UsingR)
25
> data(ewr)
26
24
Az EWR adatokat tartalmazó csomag megtalálható az R programrendszer könyvtárában a ”library-
UsingR” alkönyvtárban, ahol megtalálható az adatokat leíró help-file is.
25
A UsingR csomag betöltése.
26
A csomag több adathalmazt is tartalmaz, az ”ewr” adathalmaz betöltése.
extrém pontok
Q3 + 1.5 * IQR
Q1 Q3
min.
max.
50
> társaságok = names(ewr)
> ewr.aktuális = ewr[,3:10]
27
> boxplot(ewr.aktuális)
21. ábra
Taxi beérkezési és kiindulási idők a Newark Repülőtéren
Majd ábrázoljuk egy ”lapon”, de különálló boxplotokban a különböző
légitársaságokhoz tartozó beérkezési és kiindulási időket. (22. ábra)
> par(mfrow=c(2,4))
> attach(ewr)
> for(i in 3:10) boxplot(ewr[,i] ~ as.factor(inorout), main=társaságok[i])
> detach(ewr)
27
A szükséges oszlopok kiválogatása, az 1. oszlop az éveket, a második a hónapokat tartalmazza,
amelyekhez nincsen szükség az ábrázoláshoz.
51
22. ábra
A taxi beérkezési és kiindulási időpontok külön-külön ábrázolása
repülőjáratonként az EWR repülőtéren
A boxplot ábrázolás az Excelben is megvalósítható (23. ábra), csak jóval
bonyolultabban, mint az R rendszerben. Az Excelben történő boxplot ábrázoláshoz
először ki kell számítanunk a jellemző értékeket: alsó kvartilis, minimum, medián,
maximum, felső kvartilis. A kiszámított jellemzőket táblázatba kell foglalni. Az
elkészült táblázatot, a megnevezésekkel együtt ki kell jelölni, majd meg kell hívni a
grafikus varázslót, ahol a grafikon ábratípust választjuk ki. A grafikonkészítés 2.
lépésében Az adatsorok jellemzőnél a Sorokban paramétert jelöljük be, majd a 3.
lépésben megadhatjuk a grafikon megnevezéseit és befejezzük a grafikonkészítést.
Az elkészült grafikon egy vonal- és pontdiagram, amit át kell alakítanunk boxplot
diagrammá. Ennek a menete a következő:
1. Törölnünk kell a vonaldiagramokat, és csak a pontdiagramot tartjuk meg.
Az egér jobb oldali gombjával a grafikon első vonalára kattintunk, és
52
kiválasztjuk Az adatsorok formázása… menüt, majd a Mintázat – Vonal
almenüben bejelöljük a Nincs paramétert. Ezt tesszük az összes vonal
esetében.
2. Újra kiválasztjuk Az adatsorok formázása… menüt, majd a Beállítások
almenüben beállítjuk a Különbségvonalak és a Pozitív/negatív eltérés
paramétereket, valamint a Köz paraméterhez beírunk 150-et (ez állítja be
a box szélességét).
23. ábra
Boxplot ábrázolás az Excelben
Az R rendszer lehetővé teszi hisztogram és boxplot együttes megjelenítését is, a
”simple.hist.and.boxplot” függvény felhasználásával, aminek segítségével a két
grafikon közötti viszonyt is láthatjuk. A két grafikon együttes használata az adatok
jobb értékelhetőségét is biztosítja.
53
15. feladat
A feladatban néhány eloszlástípust (binomiális, Poisson, exponenciális és normális)
mutatunk be a kettős ábrázolással (24. ábra).
> binomiál=rbinom(100, 20, 0.05)
> poiss=rpois(100,5)
> expon=rexp(100)
> normál=rnorm(100,20,5)
> par(mfrow=c(2,2))
> simple.hist.and.boxplot(binomiál, main=”Binomiális-eloszlás”)
> simple.hist.and.boxplot(poiss, main=”Poisson-eloszlás”)
> simple.hist.and.boxplot(expon, main=”Exponenciális-eloszlás”)
> simple.hist.and.boxplot(normál, main=”Normális-eloszlás”)
16 Páronkénti ábrázolás
A páronkénti ábrázolás egy nagyon jól használható magas szintű ábrázolási funkció
többváltozós összefüggések megjelenítésére és vizsgálatára. Különösen hasznos, ha
az adatainkban lévő tendenciákat szeretnénk megismerni.
Legyen adott egy X
1
, X
2
, …, X
k
változókat tartalmazó ábrázolandó mátrix, amely
változóit egy lapon páronként akarjuk ábrázolni mátrix formában (k oszlop és k sor).
A mátrix i-edik sora és j-edik oszlopa az X
i
és az X
j
változókat mutatja be. Az
előzőekből látható, hogy a páronkénti ábrázolás (pairwise vagy scatter plot)
valójában egy nagyon egyszerű dolog, de a megjelenítésnek sok alternatívája
lehetséges:
• Például az ábrázolási mátrix diagonáljában, egyszerűen egy 45 fokos vonalat
kapunk az X
i
– X
i
változók ábrázolása esetén, de a diagonálist üresen is
hagyhatjuk, vagy beleírhatjuk a változók elnevezéseit is.
• Vagy egy másik probléma, hogy az X
i
– X
j
és az X
j
– X
i
csak a tengelyek
felcserélést jelenti, egyébként megegyeznek. Az utóbbi esetben elhagyhatjuk
a diagonális alatti ábrákat.
54
24. ábra
Eloszlások ábrázolása hisztogrammal és boxplottal
• Gondot okozhat az ábrák nagy száma, mert nehéz lehet a tengelyekre
vonatkozó elnevezések informatív és átlátható megjelenítése. Ez bizonyos
mértékig megoldható, ha az elnevezéseket a két oldal (mind a sorok és mind
az oszlopok esetében) között felváltva használjuk
• A jobb áttekinthetőség érdekében szükséges lehet, hogy az egyes ábrák
között üres helyeket hagyjunk.
A páronkéti ábra mátrix a következő kérdésekre adhat választ:
• Van-e páronkénti kapcsolat a változók között?
• Ha van kapcsolat, akkor milyen a kapcsolat természete?
55
• Vannak-e kiugró (extrém) adatok?
• Van-e klaszterképzési (csoportba rendezési) lehetőség az adatokban?
16. feladat
Napjaink egyik sokat tárgyalt kérdése a melegházhatás, amelynek befolyásolója a
CO
2
emisszió. Az emissions adathalmaz különböző európai országok és az USA
1999-es adatait tartalmazza az összes GDP, az egy főre jutó GDP és a CO
2
emisszió
vonatkozásában. Az R rendszerben pairs függvénnyel elő tudunk állítani egy
szórásdiagramot valamennyi párt figyelembe véve (25. ábra). A pairs függvénynek
sok paramétere van az ábra alakítására.
> library(UsingR)
> data(emissions)
> pairs(emissions, labels=c("GDP", "GDP/fő", "CO2"),
+ main="Szórásdiagram")
17 Egyéb ábrázolási technikák
Az R rendszerben szinte mindenfajta ábra előállítható, a grafikus lehetőségek nagyon
fontos és különösen sokoldalú komponensét képezik a programnak. A beépített
grafikus függvényeknek nagy számával tudunk dolgozni, de magunk is hozhatunk
létre új ábra típusokat. A grafikus lehetőségeket használhatjuk interaktív módban,
ahol az alap ábra újabb attribútumok hozzáadásával vagy a már megadottak
megváltoztatásával lépésenként továbbfejleszthető, valamint batch üzemmódban is.
A terjedelmi korlátok miatt valamennyi lehetőséget bemutatni nem lehet, de a
rendszerhez kapcsolódó szakkönyvekből könnyen meg lehet ismerkedni valamennyi
lehetőséggel. Az R rendszer csomagjai között sok speciális ábrázolási technikát
megvalósító csomaggal is találkozhatunk (http://cran.r-project.org/ src/contrib/
PACKAGES.html).
56
25. ábra
A pairs függvény felhasználása páronkénti szórásdiagram előállítására
A speciális ábrázolási lehetőségek közül a hegedű (violin) ábrát mutatjuk be, ami a
boxplot és a sűrűségdiagram lényegének a kombinációja. Tulajdonképpen az egy
boxplot elkészítésével indul, és azután a boxplot mindkét oldalához hozzáadódik egy
sűrűség diagram, amely az átláthatóság érdekében tükörképpel van megadva. A
hegedű ábra létrehozásához egy a rendszerhez tartozó adathalmazt használunk fel, az
InsectSprays-t. A jobb megértés érdekében egymás mellett megadjuk a boxplot, a
violinplot és a sűrűségdiagram formát is. (26. ábra)
> library(UsingR)
> data(InsectSprays)
> par(mfrow=c(1,3))
> boxplot(count ~ spray, data=InsectSprays, col="lightgray")
> simple.violinplot(count ~ spray, data=InsectSprays, col="lightgray")
> simple.densityplot(count ~ spray, data=InsectSprays)
57
26. ábra
A violindiagram ábrázolása a boxplot és a sűrűségdiagram társaságában
Az ábrázolási lehetőségek közül végezetül egy bonyolultabb formát is bemutatunk,
mégpedig egy 3 dimenziós ábrát, amely egy kétváltozós normális eloszlás
sűrűségfüggvényét ábrázolja és felírjuk rá a képletet és a kezdőértékeket is (27.
ábra). Az ábra létrehozása több lépésben oldható meg, és minimális programozási
ismereteket is igényel.
17. feladat
Hozzuk létre a kétváltozós normális eloszlás 3 dimenziós ábráját úgy, hogy az ábrára
rákerüljön az eloszlás függvény is. (A feladat megoldása kicsit bonyolult, de szép
ábrát kapunk.) A kétváltozós normális eloszlás sűrűségfüggvénye
A feladat megoldása:
( )
( )
( ) ( )
¹
¹
¹
'
¹
¹
¹
¹
'
¹
]
]
]
]


+
− −





·
22
2
2 2
22
2 2
11
1 1
11
2
1 1
2
2
12 11
* * * 2 *
1 * 2
1
exp *
1 * * * * 2
1
) (
σ
µ
σ
µ
σ
µ
ρ
σ
µ
ρ
ρ σ σ π
x x x x
x f
58
1. a függvény létrehozása az R-ben
> f = function(x1, x2)
+ {
+ term1 = 1 / (2 * pi * sqrt(s11 * s22 *(1 - rho^2)))
+ term2 = -1 / (2 *(1 - rho^2))
+ term3 = (x1 - mu1)^2 / s11
+ term4 = (x2 - mu2)^2 / s22
+ term5 = -2 * rho * ((x1 - mu1) * (x2 - mu2)) / (sqrt(s11) * sqrt(s22))
+ term1 * exp(term2 * (term3 + term4 - term5))
+ }
2. kezdőértékek megadása
> mu1 = 0 # expected value of x1
> mu2 = 0 # expected value of x2
> s11 = 10 # variance of x1
> s12 = 15 # covariance of x1 and x2
> s22 = 10 # variance of x2
> rho = 0.5 # correlation coefficient of x1 and x2
> x1 = seq(-10, 10, length=41) # generating the vector series x1
> x2 = x1 # copying x1 to x2
3. A kétváltozós normális eloszlás sűrűségfüggvényének kiszámítása
> z = outer(x1, x2, f)
28
4. A sűrűségfüggvény képletének az összeállítása a TEX szövegszerkesztőnek
megfelelő utasításkészlet segítségével:
> p.s = expression(italic(f)~(bold(x)) ==
+ frac(1,2~pi~sqrt( sigma[11]~sigma[22]~(1-rho^2)))~phantom(0)^
+ bold(.)~exp~bgroup("{", list(-frac(1,2(1-rho^2)), bgroup("[",
+ frac((x[1]~-~mu[1])^2, sigma[11])~-~2~rho~frac(x[1]~-~mu[1],
+ sqrt(sigma[11]))~ frac(x[2]~-~mu[2],sqrt(sigma[22]))~+~
+ frac((x[2]~-~mu[2])^2, sigma[22]),"]")),"}"))
5. A függvény megrajzolása és a képlet kiírása
> persp(x1, x2, z, main = "Kétváltozós normális eloszlás", sub = p.s,
28
A megadott vektorok felhasználásával, előállítja a 3. paraméterként megadott függvény értékeit, és
elhelyezi a z-ben.
59
+ col = "lightgreen", theta = 30, phi = 20, r = 50, d = 0.1, expand = 0.5,
+ ltheta = 90, lphi = 180, shade = .75, ticktype = "detailed", nticks = 5)
6. Az alapparaméterek kiírása az ábrára
> mtext(expression(list(mu[1]==0, mu[2]==0, sigma[11]==10,
+ sigma[22]==10, sigma[12]==15, rho==0.5)), side=3)
13
( )
( )
( ) ( )
¹
¹
¹
'
¹
¹
¹
¹
'
¹
]
]
]
]


+
− −





·
22
2
2 2
22
2 2
11
1 1
11
2
1 1
2
2
12 11
* * * 2 *
1 * 2
1
exp *
1 * * * * 2
1
) (
σ
µ
σ
µ
σ
µ
ρ
σ
µ
ρ
ρ σ σ π
x x x x
x f
27. ábra
A kétváltozós normális eloszlás 3 dimenziós ábrázolása
Ellenőrző kérdések:
1. Mi az egyenletes-eloszlás fő jellemzője?
2. Milyen jelenségek vizsgálatában alkalmazzák általában a binomiális-
eloszlást?
3. Melyik eloszlást szokták a „kis számok törvényének” nevezni?
4. Melyek az exponenciális-eloszlás fő jellemzői?
60
5. Miért tartják a normális eloszlást gyakorlati szempontból a
legfontosabb eloszlástípusnak?
6. Mikor nevezünk egy valószínűségi változót standard normális
eloszlásúnak?
7. Melyek az ábrák készítésének alapelvei?
8. Hogyan történik az adatok hisztogrammal való ábrázolása?
9. Mi jellemzi a pont-, a vonal-, az oszlop- és a kördiagramot?
10. Milyen főbb statisztikai jellemzők jelennek meg a boxplot
ábrázolásban?
11. Mi a lényege a páronként ábrázolásnak, és milyen kérdésekre adhat
választ ez az ábrázolási mód?
12. Milyen diagramokat foglal magában a violindiagram?
61
18 Al apstati szti kák
Túlesve a legfontosabb eloszlásokkal kapcsolatos elemi ismereteken, láthatjuk, hogy
a gyakorisági eloszlás, ha jóval kevesebb adat figyelembevételét is követeli meg a
mintánál, meglehetősen nehezen jellemezhető. Jó lenne az adatokat - lehetőleg -
minél tömörebben jellemezni. Egy numerikus adathalmaz alapvető jellemzőiként a
középértéket és a terjedelmet szokták megadni, amelyeket még ki lehet egészíteni
más jellemzőkkel is.
19 Helyzeti és számított középértékek
Az egyik leggyakrabban használt statisztikai jellemző a középérték, amely azonos
fajta számszerű adatok tömegének közös jellemzője. Azokat a középértékeket,
amelyeket számítással határozunk meg, számított középértékeknek nevezzük (átlag),
amelyeket pedig az elhelyezkedésük alapján, azokat helyzeti középértékeknek
nevezzük (pl.: medián).
A középértékekkel szemben támaszthatunk bizonyos követelményeket, amelyeknek
a különböző középértékek különböző mértékben tesznek eleget. Ilyen követelmény,
hogy a középérték valóban közepes helyzetet foglaljon el, tehát legyen nála kisebb és
nagyobb érték is, vagyis érvényesüljön, hogy
X
min
< K <X
max
Megkövetelhető az is, hogy a középérték tipikus legyen, azaz olyan érték, amely
közel áll az előforduló értékek zöméhez, amely körül sűrűsödnek az értékek. Nagyon
fontos, hogy a használt középérték egyértelműen legyen definiálva, és könnyen
értelmezhető legyen.
20 Számtani átlag
A minta középértékének a leírására több lehetőség is van, de közülük a leginkább
elterjedt az átlag használata. A különböző átlagok közül a leggyakrabban használt a
62
számtani átlag, amelynek egyszerű formája a megfigyelési egységekhez tartozó
értékek (X
i
) összegének és a megfigyelési egységek számának (n) a hányadosa, ami a
következő képlettel adható meg:
A fenti képlet alapján úgy is fogalmazhatnánk, hogy a számtani átlag az a szám,
amellyel az egyes megfigyelési értékeket helyettesítve azok összege változatlan
marad.
A számtani átlagot általában akkor használjuk, ha a megfigyelési egységek
összegének tárgyi értelme van. A számtani átlag közel szimmetrikus eloszlások
esetén jó mérőszáma a középértéknek, de félrevezető lehet ferde eloszlások esetében,
mert erősen befolyásolhatják a „végeken” lévő értékek. Normál eloszlás esetén a
számtani átlag a leghatékonyabb, és ebből következően az összes középtendencia
mérőszám közül a legkevésbé kitett a minta ingadozásainak.
Ha az adatainkat valamilyen szempont szerint csoportosítjuk, és gyakorisági sorokat
hozunk létre, akkor a számlálóban szereplő értékösszeget, az egyes csoportokat
jellemző értékek, és a hozzájuk tartozó gyakoriságok (f
i
) szorzatösszegeként állítjuk
elő, a nevezőben szereplő egyedszámot pedig a gyakoriságok összege adja:


·
·
·
k
i
i
k
i
i i
f
X f
X
1
1
*
Ezt az összefüggést súlyozott számtani átlagnak nevezzük. Az összefüggésben a ’k’ a
csoportok számát jelenti.
A kronologikus átlag a számtani átlag speciális formája, amelyet olyan idősorok
esetében használunk, amikor az értékek között nyitó- és záróérték is szerepel. Ilyenek
n
X
X
n
i
i ∑
·
·
1
63
lehetnek például a különböző készlet kimutatások. A kronologikus átlag
kiszámításának képlete:
1
2
1
2
1

+
+
·


·
n
X
X X
X
n
i
i
n
21 Harmonikus átlag
Harmonikus átlagszámításra általában akkor kerül sor, amikor az átlagolandó értékek
reciprok értékei összegének van tárgyi értelme. Ebből következően, a harmonikus
átlag az a szám, amelyet az egyes átlagolandó értékek helyébe helyettesítve, azok
reciprokainak összege nem változik:

·
·
n
i i
h
X
n
X
1
1
A harmonikus átlag használatára általában a fordított intenzitási viszonyszámokból,
illetve indexekből történő átlagszámítás esetén van szükség. Ebből következően a
harmonikus átlag lényegében nem más, mint a megfigyelési egységek reciprokaiból
számított számtani átlag reciprok értéke.
A számtani átlaghoz hasonlóan lehetőség van a harmonikus átlag súlyozott formában
történő kiszámítására is:


·
·
·
k
i i
i
k
i
i
h
X
f
f
X
1
1
1
*
22 Mértani átlag
64
Mértani (geometriai) átlagot akkor számolunk, ha az átlagolandó értékek szorzatának
van tárgyi jelentése. Ilyen esettel általában dinamikus viszonyszámokkal történő
számítások során találkozhatunk.
A mértani átlag az a szám, amelyet az átlagolandó értékek helyébe téve azok
szorzata változatlan marad, a számítás képlete:
n
n
i
i g
X X

1 ·
·
29
A mértani átlag súlyozott formája:

·
·
·
k
i
i
i
f
k
i
f
i g
X X
1
1

23 Négyzetes átlag
A négyzetes (kvadratikus) átlag az a szám, amellyel az átlagolandó értéket
helyettesítve, azok négyzetösszege nem változik. A négyzetes átlag önmagában
viszonylag ritkábban használt átlagforma, mert nagyon ritkán tudunk az átlagolandó
értékek négyzetösszegének tárgyi jelentést adni. Hasznos lehet az alkalmazása abban
az esetben, ha az átlagolandó értékek között pozitív és negatív számok is
előfordulnak, és az előjelnek nincsen jelentősége, a négyzetes átlaggal eltüntethető az
előjelek különbözősége. Kiszámításának képlete:
n
x
X
n
i
i
q

·
·
1
2
Az átlagszámításnál a négyzetgyököt mindig pozitív előjellel értelmezzük.
A négyzetes átlag súlyozott formája
29
A ∏ szimbólum a szorzatot jelenti.
65


·
·
·
n
i
i
n
i
i i
q
f
x f
X
1
1
2
24 Módusz
Bármely gyakorisági eloszlás görbéjét tekintjük: mindig értelmezhetünk olyan
értéket - vagy osztályközt - amelyre igaz, hogy ennek a legnagyobb a gyakorisága a
mintában.
A módusz helyzeti középérték. Diszkrét értékek esetén a módusz a leggyakrabban
előforduló ismérvérték. Ez alapján azt is mondhatnánk, hogy a módusz a
legáltalánosabb, a legjellemzőbb, tipikus érték. Meghatározásához nincsen szükség
számításra, értékét egy gyakorisági sorból vagy egy hisztogramból rátekintéssel meg
tudjuk állapítani.
Folytonos ismérvek esetében a módusz a gyakorisági görbe maximumához tartozó
érték, mert ezen érték körül sűrűsödnek a legjobban a megfigyelési egységek.
Bizonyos esetekben a szélsőérték iránti érzéketlenség miatt célszerű a móduszt
használni a többi középértékkel szemben.
Hátrány lehet, hogy esetenként több módusza is lehet egy sokaságnak.
25 Medián
A medián is helyzeti középérték, amely sorba rendezett értékek közül a középső,
vagyis amelynél ugyanannyi kisebb, mint nagyobb érték fordul elő. A medián értéke
A medián sorszáma:
2
1 + n
66
A képletből következően páros esetszám esetén a medián törtszám lesz, és ebben az
esetben mediánnak a két középső szám egyszerű számtani átlagát tekintjük.
A medián kevésbé érzékeny az extrém értékekre, mint az átlag és ezért erősen ferde
eloszlások esetén jobb mérőeszköz lehet.
Szimmetrikus eloszlások esetén az átlag, a módusz és a medián megegyezik. Ez azt
is jelenti, hogy az átlag általában magasabb, mint a medián pozitív irányban ferde
eloszlások esetében, és alacsonyabb, mint a medián negatív irányú ferdeség esetén.
26 Kvantilisek
A minta elhelyezkedését jellemezhetjük a kvantilisek segítségével. A t %-os
empirikus kvantilis az a legkisebb mintaelem, amelynél a mintaelemek t %-a kisebb,
vagy egyenlő. A 25 %-os, illetve 75 %-os kvantilist alsó (Q
1
), illetve felső (Q
3
)
kvartilisnek nevezzük.
A kvartilisek meghatározásánál a nagyság szerint rendezett sokaságból kell kiindulni.
A kvartilisek nem tartoznak a középértékek közé. A kvartilisek, mint az
elnevezésükből is következik, a sokaságot negyedekre osztják. Azt is mondhatnánk,
hogy a kvartilisek a mediánnál kisebb és a mediánnál nagyobb értékek mediánjai. A
mediánnál kisebb értékek mediánja az alsó kvartilis (Q
1
). A mediánnál nagyobb
értékeké pedig a felső kvartilis (Q
3
).
Q
1
sorszáma (25%):
4
1 + n
Q
1
sorszáma (75%):
4
) 1 ( * 3 + n
A kvartilisekhez hasonlóan lehet a sokaságot tized- vagy századrészekre osztani
(decilis, centilis).
67
27 A szóródás és mérőszámai
A középérték azáltal, hogy egyetlen értékbe sűrítve jellemzi a sokaságot, mintegy
kiegyenlíti a sokaságban rejlő különbözőségeket. Ez a tulajdonsága adja
használatának értelmét, de egyúttal korlátját is. Különböző sokaságokban az egyes
értékek átlagtól való eltérései lehetnek kisebbek vagy nagyobbak, ezért a sokaság
jellemzéséhez szükségünk lehet egy olyan jellemzőre, mérőeszközre is, ami arra ad
választ, hogyan helyezkedhetnek el a megfigyelési egységek az átlag körül. Azt a
sokaságot jobban jellemzi a középérték, amelynél kisebbek az átlagtól való eltérések,
mint azt, amelyben nagyobbak.
Szóródáson valamely mennyiségi ismérv értékeinek a különbözőségét értjük, amelyet
különböző mutatókkal mérhetünk.
A terjedelem a legegyszerűbb és legkönnyebben megérthető mérőeszköze a
szóródásnak, ami egyenlő a legnagyobb és a legkisebb érték különbségével. A
terjedelem nagyon érzékeny a szélső értékekre, mert csak két értéken alapszik.
Ugyanakkor a terjedelmet szinte soha nem használják a szóródás egyetlen
mérőszámaként, mert egyedül kevésbé informatív.
A kvartilis eltérés (interkvartilis terjedelem - IQ) a terjedelemhez nagyon hasonló
mérőszám, amely az alsó és a felső kvartilis különbségének a fele:
2
1 3
Q Q
IQ

·
Az átlagos abszolút eltérés (δ) a megfigyelési értékek és a számtani átlag eltérései
abszolút értékeinek a számtani átlaga:
n
X X
n
i
i ∑
·

·
1
δ
68
A szóródás leggyakrabban használt mutatószáma a négyzetes eltérés vagy szórás,
amely az ismérvértékek és a számtani átlaguk eltéréseinek négyzetes átlaga.
Számítása
( )
n
X X
n
i
i ∑
·

·
1
2
σ
A négyzetes eltéréssel – mint az a képletből is látható - az átlagtól való eltérések
átlagos nagyságát számítjuk ki. A képletben azért a négyzetes átlagot használjuk,
mert kvadratikus értelemben (kvadratikus minimum) a számtani átlag az a
középérték, amely a legközelebb áll az egyes átlagolandó értékekhez.
A szórás gyakorisági sorból történő kiszámítása súlyozott formában történik:
( )


·
·

·
k
i
i
k
i
i i
f
X X f
1
1
2
*
σ
A variancia a szórásnégyzet (σ
2
), és ugyanúgy a változékonyság mérésében van
szerepe, mint a szórásnak. A varianciát önállóan nem szoktuk használni, de sok
statisztikai számítás felhasználja.
28 A ferdeség (skewness) és a csúcsosság (kurtosis)
A ferdeség és a csúcsosság lényegében alak-mutatószámok, amelyek azt mutatják
meg, hogy egy adott sokaság milyen mértékben tér el az etalonnak tekintett normál
eloszlás gyakorisági görbéjétől.
A csúcsosság (vagy lapultság) az eloszlás „elnyúltságán” alapszik. A csúcsosság
általánosan használt mutatószáma
69
( )
4
1
4
*σ n
X X
k
n
i
i ∑
·

·
A normál eloszlás csúcsossági értéke 0.
A ferdeség az asszimetria mérőszámának is tekinthető. Ebből következően a jobbra
hosszan elnyúló eloszlásokat baloldali asszimetriájú eloszlásoknak (pozitív ferdeség),
míg a balra hosszan elnyúló eloszlásokat jobboldali asszimetriájú eloszlásoknak
(negatív ferdeség) nevezzük (28. ábra). A pozitív ferdeséggel rendelkező eloszlások
a gyakoribbak.
Pozitív ferdeség Negatív ferdeség Szimmetrikus eloszlás
28. ábra
Az eloszlások ferdesége
A ferdeség számítása:
( )
3
1
3
*σ n
X X
k
n
i
i ∑
·

·
A normális eloszlás ferdeségi értéke 0, mivel az szimmetrikus eloszlás. Általános
szabály, hogyha az átlag nagyobb, mint a medián, akkor pozitívan ferde az eloszlás,
és ha az átlag kisebb, mint a medián, akkor negatívan csúcsos az eloszlás.
70
29 A középértékek és a szóródás kiszámításának lehetőségei az Excelben és
az R rendszerben
A számított és a helyzeti középértékekhez, valamint a szóródáshoz tartozó, a két
programban elvégezhető számításokat összevontan mutatjuk be, mert egy-egy
adathalmazhoz célszerű többféle számítást is bemutatni. Ahogyan azt már korábban
is megállapítottuk, általában egy statisztikai jellemző nem mindig jellemzi
megfelelően a sokaságot.
18. feladat
A 1. táblázatban található adatok felhasználásával számítsuk ki a főbb statisztikai
jellemzőket.
Év
Aktív keresők
száma (fő)
1995 3 727.90
1996 3 669.60
1997 3 654.20
1998 3 657.00
1999 3 687.10
2000 3 749.80
2001 3 824.50
2002 3 828.10
2003 3 843.50
2004 3 853.90
1. táblázat
Az aktív keresők száma Magyarországon
Excel:
Az Excelben a főbb jellemzők együttes kiszámítását az Eszközök – Adatelemzés –
Leíró statisztika menüvel végezhetjük el. (29. ábra)
71
29. ábra
Az aktív keresők statisztikai jellemzőinek meghatározása
Az R rendszerben is van lehetőség különböző összegző statisztikák számítására. Az
első ilyen lehetőség a summary
30
vagy a fivenum
31
függvények használata. (30. ábra)
Ugyanúgy, mint az Excelben lehetőség van az egyes jellemzők külön-külön
kiszámítására is. A két programrendszerben számítható statisztikai jellemzőket a 2.
táblázat tartalmazza. A táblázatból látható, hogy van különbség a két rendszer között
és az Excelben számítható több mutató, de nem szabad elfelejteni, hogy az R
statisztikai programban sokkal könnyebb újabb függvényeket létrehozni, és tárolni,
majd újrafelhasználni. Általában ugyanannak a feladatnak a megoldása az Excelben
több munkát igényel, mint az R rendszerben.
30
Minimum, alsó kvartilis, medián, átlag, felső kvartilis, maximum.
31
Minimum, alsó sarokpont, medián, felső sarokpont, maximum.
72
30. ábra
A summary és a fivenum függvények használata az R-ben
Excel R
ÁTL. ELTÉRÉS
ÁTLAG mean
CSÚCSOSSÁG
FERDESÉG
HARM. KÖZÉP
KVARTILIS quantile
MAX max
MEDIÁN median
MÉRTANI.KÖZÉP
MIN min
MÓDUSZ
PERCENTILIS
SZÓRÁS sd
VAR var
IQR
2. táblázat
Az Excel és az R nyelv alap statisztikát számító függvényei
19. feladat
Mennyi idő alatt takarítanak be a kombájnok 100 hektár kukoricát, ha 100 ha
kukorica betakarításának műszakóra szükséglete különböző kombájnok esetében az
alábbi:
73
Kombájn típus Műszakóra/100 ha
Kombájn1 55
Kombájn2 70
Kombájn3 100
Kombájn4 75
Az Excelben való megoldást a 31. ábra mutatja be. (Az adatok az ábrán egyenként
kerültek megadásra, de lehetett volna cellahivatkozást is használni.)
31. ábra
Az átlagos műszakóra kiszámítása Excelben
Az R rendszerben nincsen külön függvény a harmonikus átlag számítására, annak
megoldására két lehetőség van (az adatok a müó.szüks változóban vannak):
1. Vagy beírjuk a képletet és kiszámítjuk
> length(müó.szüks)/(sum(1.0/müó.szüks))
2. Vagy készítünk egy függvényt, amit a későbbiekben is fel tudunk használni és a
megfelelő értékeket behelyettesítjük
> harm.átlag = function(x, n) n / sum(1/x)
> harm.átlag(müó.szüks, length(müó.szüks))
74
20. feladat
Az Alföld megyéiben a mezőgazdasági vállalatok műtrágya-felhasználása és a
műtrágyázott terület a 3. táblázatban szereplő volt. Számítsuk ki, hogy mennyi volt
az egy hektár műtrágyázott területre jutó műtrágya felhasználás az Alföldön?
Megye megnevezése
Felhasznált
összes műtrágya
(t)
1 hektár
műtrágyázott
területre felhasznált
műtrágya kg/ha
Bács-Kiskun 33622.6 139
Békés 18716.6 84
Csongrád 15773.4 121
Hajdú-Bihar 19584.9 117
Jász-Nagykun-Szolnok 22905.8 101
Pest, Budapest 22869.0 165
Szabolcs-Szatmár-Bereg 18943.6 117
3. táblázat
Műtrágyázás az Alföldön
A feladatot mindkét esetben a képlet felhasználásával tudjuk megoldani. A
különbség annyi, hogy az R rendszerben viszonylag egyszerűen létrehozható egy
képlet (függvény) és az le is tárolható további felhasználásra, addig az Excelben ez
kicsit bonyolultabb (32. ábra), de képlet ott is tárolható.
75
32. ábra
Az átlagos műtrágyázás az Alföldön
R rendszer:
Függvény létrehozása:
> s.harm.átlag = function(f, x) sum(f) / sum(f/x)
Függvény behelyettesítése:
> s.harm.átlag(felh.össz.műtr, műtr.1ha)
Eredmény: [1] 118.1743
21. feladat
A 1. táblázat adatainak felhasználásával számítsuk ki, hogy milyen ütemben változott
1995 és 2004 között Magyarországon a foglalkoztatottak száma. Az Excel ehhez a
számításhoz biztosít egy függvényt, amelynek a segítségével az eredmény
kiszámítható, de előtte meg kell határozni azokat a láncviszonyszámokat, amelyből
mértani átlagszámítást el tudjuk végezni. (33. ábra)
76
33. ábra
Az aktív keresők számának átlagos növekedési üteme
Az R rendszerben létre kell hozni egy függvényt. A létrehozandó függvényt úgy is el
lehet készíteni, hogy először számítsa ki a láncviszonyszámokat, és azután számolja
az átlagot.
1. Függvény létrehozása
> mértani.átlag = function(x)
+ {
+ x1 = x[-length(x)]
+ x2 = x[-1]
+ lánc = x2 / x1
+ xprod = cumprod(lánc)^(1/(length(x)-1))
+ xprod[length(xprod)]
+ }
Az átlag kiszámítása
> mértani.átlag(aktív.kereső)
Eredmény: [1] 1.003700
77
30 Hipotézistesztelés, alapvető paraméteres és nem-paraméteres statisztikai
próbák
Gyakran előfordul, hogy az ismeretlenek nagy száma, vagy a megfigyelési
lehetőségek korlátozottsága folytán, nem tudunk közvetlen módszereket alkalmazni,
illetve érdeklődésünk nem az ismeretlen paraméter konkrét értékére irányul, hanem
például arra: lehetséges-e, hogy két adott minta ugyanabból az eloszlásból
származott, vagy származhatott-e a minták egy konkrét eloszlásból, stb.
Például, egy növénytermesztési kísérletnél az egyik parcellán nem adunk műtrágyát,
másikon pedig adunk bizonyos adagot. Igazolandó feltevésünk az – a
termésnövekedés a valószínűségi változó -, hogyan befolyásolja a műtrágya a
valószínűségi változó eloszlását, várható értékét megváltoztatja-e.
Statisztikai hipotézisen egy, az alapeloszlás paramétereire, vagy magára az egész
alapeloszlásra vonatkozó feltevést értünk.
A statisztikai hipotézisek két nagy csoportra oszthatók. Abban az esetben, ha
feltevésünk az ismert típusú alapeloszlás egy vagy több ismeretlen paraméterére
vonatkozik, akkor paraméterre vonatkozó hipotézisről beszélünk. Ha az egész
alapeloszlás típusára vonatkozó feltevéssel élünk, akkor eloszlásra vonatkozó
hipotézisről beszélünk.
Azt az eljárást, amelynek segítségével eldöntjük, hogy az adott hipotézis konkrét
esetben elfogadható-e, vagy sem, hipotézisvizsgálatnak nevezzük.
31 A hipotézisvizsgálat menete
A hipotézisvizsgálat első lépése a nullhipotézis képzése, amelyben az az állítás jut
kifejezésre, hogy az eloszlás paramétere és annak feltételezett értéke, vagy a
tényleges és a feltételezett alapeloszlás között nincsen különbség.
78
A hipotézisvizsgálatokban fontos szerepe van az alternatív hipotézisnek, ami a
nullhipotézistől eltérő hipotézis matematikai megfogalmazása. Egy nullhipotézishez
több alternatív hipotézis is megfogalmazható, amelyek lehetnek egyszerűek (H
1
: a =
2) és összetettek (H
1
: 1 < a < 3).
Ezután létre kell hoznunk a próbafüggvényt, és ki kell jelölni azt az intervallumot,
amely tetszőleges valószínűséggel foglalja magában a próbafüggvény értékét. Az
intervallum két végpontját kritikus értéknek, a valószínűségi szintet pedig
szignifikancia-szintnek nevezzük.
Ha a próbafüggvénynek az értéke beleesik a megadott intervallumba (elfogadási
tartományba), akkor nincsen okunk kételkedni a nullhipotézis helyességében, azaz
nincsen szignifikáns eltérés a nullhipotézisünk feltételezése és a valóság között.
32 u-próba
Az u-próba lehet egymintás és kétmintás próba. Az egymintás u-próba azt vizsgálja,
hogy egy mintában egy valószínűségi változó átlaga szignifikánsan különbözik-e egy
adott m értéktől. A próba alkalmazásának feltételei:
• a vizsgált valószínűségi változó normális eloszlású,
• a vizsgált valószínűségi változó intervallum vagy arányskálán mért,
• a vizsgált valószínűségi változó populáción belüli szórása ismert (tehát nem a
minta alapján kell becsülnünk).
Nullhipotézis: a minta átlaga statisztikai szempontból megegyezik az előre megadott
m értékkel. [H
0
: x = m]
Alternatív hipotézis: a minta átlaga statisztikai szempontból nem egyezik meg az
előre megadott m értékkel. [H
1
: x ≠ m]
A "statisztikai szempontból" kifejezés itt arra utal, hogy az eltérés a mintából
kiszámolt átlag és az m érték között olyan minimális, hogy pusztán csak a véletlen
ingadozásnak tulajdonítható (ekkor a minta átlaga statisztikai szempontból
79
azonosnak tekinthető az m-mel), vagy jelentősen nagyobb, mint ami a véletlennel
magyarázható (ekkor a minta átlaga statisztikai szempontból nem egyezik meg m-
mel).
Az egymintás u-próba próbastatisztikája
n
m x
u
σ

·
ahol

x
a vizsgált valószínűségi változó átlaga a mintában,
• σ : a vizsgált valószínűségi változó ismert szórása,
• m : az előre adott érték, amihez az átlagot viszonyítjuk, és
• n : a minta elemszáma.
A kétmintás u-próba azt vizsgálja, hogy két külön mintában egy-egy valószínűségi
változó átlagai egymástól szignifikánsan különböznek-e. A próba alkalmazásának
feltételei:
• a vizsgált valószínűségi változók normális eloszlásúak,
• a vizsgált valószínűségi változók intervallum vagy arányskálán mértek,
• a vizsgált valószínűségi változók populáción belüli szórásai ismertek,
• a vizsgált valószínűségi változók függetlenek.
Nullhipotézis: a két mintában a két átlag statisztikai szempontból megegyezik. [H
0
:
E(x) = E(y)]
Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik
meg. [H
1
: E(x) ≠ E(y)]
A kétmintás u-próba próbastatisztikája
m n
y x
u
y
x
2
2
σ
σ
+

·
80
ahol

x
az egyik valószínűségi változó átlaga a mintájában,

y
a másik valószínűségi változó átlaga a mintájában,
• σ
x
az egyik valószínűségi változó korrigált szórása,
• σ
y
a másik valószínűségi változó korrigált szórása,
• n az egyik minta elemszáma és
• m a másik minta elemszáma.
33 t-próba
A t-próba lehet egymintás és kétmintás próba. Az egymintás t-próba azt vizsgálja,
hogy egy mintában egy valószínűségi változó átlaga szignifikánsan különbözik-e egy
adott m értéktől. A próba alkalmazásának feltételei:
• a vizsgált valószínűségi változó normális eloszlású,
• a vizsgált valószínűségi változó intervallum vagy arányskálán mért.
Nullhipotézis: a minta átlaga statisztikai szempontból megegyezik az előre megadott
m értékkel. [H
0
: x = m]
Alternatív hipotézis: a minta átlaga statisztikai szempontból nem egyezik meg az
előre megadott m értékkel. [H
1
: x ≠ m]
Az egymintás t-próba próbastatisztikája
n
s
m x
u

·
ahol

x
a vizsgált valószínűségi változó átlaga a mintában,
• s a vizsgált valószínűségi változó becsült szórása,
• m az előre megadott érték, amihez az átlagot viszonyítjuk és
• n a minta elemszáma.
81
Szabadságfok: n - 1
A kétmintás t-próba azt vizsgálja, hogy két külön mintában egy-egy valószínűségi
változó átlagai egymástól szignifikánsan különböznek-e. A próba alkalmazásának
feltételei:
• a vizsgált valószínűségi változók normális eloszlásúak,
• a vizsgált valószínűségi változók intervallum vagy arányskálán mértek,
• a vizsgált valószínűségi változók szórásai megegyeznek (a kétmintás u-
próbától eltérően itt nem kell ismernünk az elméleti értéküket, elegendő
becsülnünk a minták alapján),
• a vizsgált valószínűségi változók függetlenek.
Nullhipotézis: a két mintában a két átlag statisztikai szempontból megegyezik. [H
0
:
E(x) = E(y)]
Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik
meg. [H
1
: E(x) ≠ E(y)]
A kétmintás t-próba próbastatisztikája
m n
m n m n
s m s n
y x
t
y x
+
− +
− + −

·
) 2 ( * *
*
* ) 1 ( * ) 1 (
2 2
ahol

x
az egyik valószínűségi változó átlaga a mintájában,

y
a másik valószínűségi változó átlaga a mintájában,
• s
x
az egyik valószínűségi változó korrigált szórása,
• s
y
a másik valószínűségi változó korrigált szórása,
• n az egyik minta elemszáma és
• m a másik minta elemszáma.
Szabadságfok: n
1
+ n
2
-1
82
22. feladat
Egy új gyógyszer hatását mérik, ezért két csoportot vizsgálnak, az egyik csoport a
gyógyszert kapja, a másik placebót. Azt vizsgálják, hogy mennyi idő alatt gyógyul
meg az, aki a gyógyszert kapja és mennyi idő alatt (nap), aki a másik anyagot. Az
eredmény
gyógyszer: 15, 10, 13, 7, 9, 8, 21, 9, 14, 8
placebo: 15, 14, 12, 8, 14, 7, 16, 10, 15, 12
Az Excelben a feladat az Eszközök – Adatelemzés – Kétmintás párosított t-próba a
várható értékre menüben oldható meg. (34. ábra) Az eredményből láthatjuk, hogy a
két átlag egymástól szignifikánsan nem különbözik.
34. ábra
Gyógyszer hatásának vizsgálata
Az R rendszerben a t.test függvényt használhatjuk fel. (35. ábra) A számítás során
kicsit eltérő adatokat kaptunk, de a végkövetkeztetés ugyanaz, nincsen igazi
(szignifikáns) különbség az átlagok között.
83
35. ábra
Gyógyszer hatásának tesztelése
34 F-próba
Az F-próba azt vizsgálja, hogy két külön mintában egy-egy valószínűségi változó
szórásai egymástól szignifikánsan különböznek-e.
Nullhipotézis: a két mintában a két szórás statisztikai szempontból megegyezik. [H
0
:
σ
1
= σ
2
]
Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik
meg. [H
1
: σ
1
≠ σ
2
]
A kétmintás t-próba próbastatisztikája
2
2
2
1
s
s
F ·
ahol
• s
1
az egyik valószínűségi változó szórása,
• s
2
a másik valószínűségi változó szórása.
Az F-próbát a varianciaanalízis és a regresszióanalízis esetében alkalmazzuk.
84
35 χ
2
-próba
Az előzőekben tárgyalt hipotézis ellenőrzéseknél többször kellett a sokaság
eloszlására vonatkozó feltételezéssel élnünk, illetve a statisztikai ellenőrzések során
gyakran előforduló feladat különböző sokaságok valamely ismérv szerinti
megoszlásának összehasonlítása (illeszkedés-vizsgálat). A sokaság eloszlásában
szerepet játszik a véletlen, ezért ha egy megfigyelés (mintavétel) alapján kapott
tapasztalati eloszlás gyakoriságai nem teljesen azonosak az elméleti sűrűségfüggvény
szerint várható gyakoriságokkal, illetve ha a két tapasztalati megoszlás nem esik
teljesen egybe, számításba kell vennünk, hogy a különbségek nem szignifikánsak. Ez
a feltevés a próba nullhipotézise.
A próba alkalmazásának feltétele:
• a sokaság legalább 50 tagú kegyen,
• egy-egy ismérvváltozathoz tartozó várható gyakoriság legalább 5 legyen.
A χ
2
-próba próbastatisztikája
( )

·

·
k
i
i
i i
f
f f
1
*
2
*
2
χ
ahol
• f
i
az i-edik ismérvváltozathoz tartozó megfigyelt gyakoriság,

*
i
f
az i-edik ismérvváltozathoz tartozó várható gyakoriság.
• k a megkülönböztetett ismérvváltozatok száma,
Szabadságfok: k – 1
23. feladat
Egy kockával 150-szer dobtunk és a következő eredményt kaptuk:
Pont 1 2 3 4 5 6
Dobás 22 21 22 27 22 36
85
A kapott adatok eloszlása megfelelő-e?
Az Excelben végzett számítást a 36. ábra, míg az R rendszerben végzettet a 37. ábra
tartalmazza. Mindkét esetben ugyanazt kaptuk eredményül, és megállapítható, hogy
nincsen okunk elvetni azt a hipotézist, hogy a kockadobás eredménye megfelelően
illeszkedik a normális eloszlásra, ami azzal is alátámaszthatunk, ha elkészítjük a
dobások hisztogramját vagy boxplotját, vagy a kettőt együtt.
36. ábra
A kockadobás eloszlása illeszkedésének vizsgálata Excelben
86
37. ábra
A kockadobás illeszkedésének vizsgálata R-ben
A χ
2
-próbának az illeszkedés-vizsgálat mellett további nevezetes alkalmazásai a
homogenitás-vizsgálat és a függetlenség-vizsgálat.
Függetlenség-vizsgálat a sztochasztikus kapcsolatok vizsgálatának egyik módszere.
Függetlenség-vizsgálat esetén a nullhipotézis az, hogy a két ismérv (változó)
független egymástól, az alternatív hipotézis pedig az, hogy nem. A próba
szabadságfoka: (n - 1) * (m - 1), ahol az n és az m a két minta változatainak a száma.
24. feladat
Egy vizsgálat az ütközések során elszenvedett károk komolyságát elemezte, a szerint,
hogy a biztonsági övet bekötötték vagy sem. A kérdés az volt, hogy a biztonsági öv
használata okoz-e különbséget? A vizsgálat eredménye:
Sérülés(kár) szint
nincs kicsi közepes Jelentős
Biztonsági
öv
Igen 12813 647 359 42
Nem 65963 4000 2642 303
Az eredmény a 38. ábrán található. A rendkívül alacsony p-érték alapján azt a
következtetést kell levonnunk, hogy a két változat nem független, ezért a
függetlenségi feltételezésünket el kell vetni. (A megfelelő táblázat létrehozásához
használni kell a data.frame függvényt.
87
38. ábra
A biztonsági öv használatának és nem használatának összehasonlítása
A homogenitás-vizsgálat esetében az u- és a t-próbákkal szemben az összehasonlított
változóknak nemcsak a várható értékére, hanem az eloszlására nézve is feltételezzük
az azonosságot a nullhipotézisben. A kérdés, hogy a két minta azonos sokaságból
származi-e? A nullhipotézisünk az, hogy mindkét adatsor ugyanabból az eloszlásból
származik. A szabadságfok: (sorok száma – 1) * (oszlopok száma – 1).
25. feladat
Van két dobókocka, az egyik szabályos, a másikat manipulálták. Dobjunk a
szabályos kockával 200-at és 100-at a manipulálttal. A kérdés, hogy a két sorozat
származhat-e ugyanabból az eloszlásból?
Megoldás az R-ben:
> kocka.szab = sample(1:6, 200, p=c(1,1,1,1,1,1)/6, replace=T)
> kocka.nem.szab = sample(1:6,100, p=c(0.5,0.5,1,1,1,2)/6, replace=T)
> eredm.szab = table(kocka.szab)
> eredm.nem.szab = table(kocka.nem.szab)
> rbind(eredm.szab, eredm.nem.szab)
> chisq.test(rbind(eredm.szab, eredm.nem.szab))
Az eredményt az R rendszerben számítottuk ki, ami a 39. ábrán látható. A kapott
eredmény elég alacsony, de még a nullhipotézis elfogadható, azaz származhat a két
minta ugyanabból az eloszlásból.
88
39. ábra
Homogenitás vizsgálat az R rendszerben
Ellenőrző kérdések:
1. Mi a különbség a helyzeti és a számított középértékek között?
2. Mi a kronológikus átlag és mikor használjuk?
3. Milyen számokból szoktunk harmónikus átlagot számítani?
4. Milyen viszonyszámokból számítanak mértani átlagot?
5. Mi a módusz és a medián?
6. Mi a kvartilis?
7. Melyek a szóródás fő mérőszámai?
8. Mi az interkvartilis terjedelem?
9. Mit jelent a ferdeség és a csúcsosság?
10. Mit értünk statisztikai hipotézisen?
11. Mire használható az u-próba?
12. Miben különbözi a t-próba az u-próbától?
13. Milyen számításokban használjuk az F-próbát?
14. Melyek a khi-négyzet próba alkalmazásai?
89
36 Mi ntavétel ezés, vari anci aanal í zi s
A gyakorlatban szinte soha sincs arra lehetőségünk, hogy az adott sokaság minden
tagját megvizsgáljuk. A mintavétel célja, hogy olyan adatokat nyerjünk, melyek
segítségével a populációra vonatkozóan megalapozott állításokat tehetünk. A minket
érdeklő sokasági változók jellemzőit (a populáció bizonyos paramétereit) a mintából
számolt statisztikákkal becsüljük. Egy adott populációból

,
`

.
|
N
M
különböző mintát
vehetünk, ahol M a populáció elemszáma, N pedig a mintaelemszám. Ezek a minták
nem csak összetételükben, hanem a vizsgált jellemző szempontjából is
különbözhetnek. A mintajellemzők tehát maguk is valószínűségi változók, melyek
egy adott érték (a populációs paraméter) körül ingadoznak.
A reprezentatív megfigyelés logikai alapja az indukció, vagyis a következtetés azon
formája, amelynél egyes esetekből általánosító következtetést vonunk le. A
reprezentatív megfigyelés célja, hogy a sokaság jellemzőit a becsült értékkel
közelítse meg. Az így elkövetett véletlen hiba nagysága ellenőrizhető és
korlátozható.
37 Mintavételi eljárások
A reprezentatív statisztika a mintavételi eljárások különböző módjain alapszik,
amelyek lehetnek:
a. Véletlenen alapuló kiválasztás
• Egyszerű véletlen
Olyan kiválasztási eljárás, amelynek során az egységeket a
nyilvántartásból véletlenszerűen, egyenlő valószínűséggel választjuk
ki.
• Egylépcsős
Egylépcsős (csoportos) mintavételnek nevezzük az elsődleges
egységek kiválasztását egy nyilvántartásból abban az esetben, ha a
90
kiválasztott elsődleges egységeken
32
belül minden másodlagos
egységet
33
megfigyelünk.
• Többlépcsős
A mintasokasághoz több lépcsőben jutunk el. Az első lépésben
kiválasztjuk az elsődleges egységeket, majd ezután a kiválasztott
elsődleges egységeken belül végzünk további mintavételeket.
• Rétegzett kiválasztás
Lényege a minta belső összetételének mesterséges megjavítása. A
sokaság egységeit kiegészítő információ alapján csoportosítjuk,
miközben arra törekszünk, hogy minél homogénebb csoportokat
nyerjünk, amelyeket rétegeknek nevezünk. A kiválasztás az egyes
rétegekből külön-külön és egymástól függetlenül történik, rétegen
belül egyszerű véletlen kiválasztást alkalmazva.
b. Nem véletlen kiválasztás
• Kvótakiválasztás
• Koncentrált kiválasztás
• Önkényes kiválasztás
c. Szisztematikus kiválasztás
A mintavétel alapját képező nyilvántartásból egyenlő távolságra álló
egyedeket választunk ki. Úgy is értelmezhető, hogy a sokaságot n egyenlő
rétegre osztjuk és rétegenként egy elemből álló mintát veszünk.
A korábban már tárgyalt átlag és szórás fogalmakon túl,
foglalkoznunk kell az ún. standard hibával is. Egy becslő függvény
szórását nevezzük az illető becslés standard hibájának. A standard
hiba megmutatja, hogy a mintából származó becslések milyen
mértékben szóródnak a populációs paraméter körül, vagyis
megmondhatjuk, hogy a populációs paraméter körüli bizonyos
intervallumokba a mintabecslések mekkora hányada fog esni: a
mintából származó becsléseknek közelítőleg 68 százaléka esik a
paraméter körüli 1 standard hiba szélességű sávba (t 1 standard
32
Elsődleges mintavételi egységnek tekintjük a nyilvántartásban felsorolt egységeket.
33
Másodlagos mintavételi egységnek tekintjük azon sokaság egységeit, amelyekre a megfigyelés
irányul.
91
hibányi távolságra), becsléseknek közelítőleg 95 százaléka esik a
paramétertől t 2 standard hibányi távolságra, és becsléseknek
közelítőleg 99,9 százaléka esik a paraméter körüli ±3 standard hiba
szélességű sávba.
38 A varianciaanalízis
A varianciaanalízis több, azonos szórású, normális eloszlású populáció átlagának az
összehasonlítására szolgáló módszer, amelyet ANOVA néven is emlegetnek az angol
elnevezés betűinek rövidítéseként (Analysis of Variance). A varianciaanalízis a t-
próbák általánosítása több csoport esetére. Azért hívják varianciaanalízisnek, mert az
átlagokat hasonlítja ugyan, de ezt többféle módon definiált varianciák segítségével
teszi. A varianciaanalízis a teljes adathalmaz teljes-szóródását (összvarianciáját)
vizsgálja abból a szempontból, hogy azt csupán a véletlen ingadozás okozza-e, vagy
ahhoz valamilyen más tényező, pl. a csoportok átlagai közötti különbség is
hozzájárul.
Többféle varianciaanalízis van a kísérleti elrendezéstől függően. Amennyiben a
csoportok függetlenek, és csak egyetlen szempont szerint különböznek (pl. többféle
kezelést vagy többféle betegcsoportot hasonlítunk össze), akkor egytényezős
varianciaanalízisről beszélünk. Ha a csoportok függetlenek, de többféle szempont
szerint is vizsgálhatók (pl. nemek szerint és kezelések szerint is), akkor két- vagy
többtényezős varianciaanalízissel hasonlítjuk össze az átlagokat. Ha a csoportok
összetartozó minták csoportjai, (pl. ugyanazokon az egyedeken több mérést végeznek
több időpontban, vagy különböző kísérleti körülmények között), akkor az ún.
ismételt méréses varianciaanalízist kell alkalmazni.
39 Egytényezős varianciaanalízis
92
A t-próbát két független minta tesztelésére használtuk. A varianciaanalízist hasonló
célból használjuk, de általában több mint két független minta (kísérlet)
összehasonlítására.
Több csoport összehasonlítása lényegében a csoportok eloszlásának
összehasonlítását jelenti. Minden mérés hibával jár, a mintaadatok csoportonként
pusztán a véletlen miatt is különböznek. A kérdés éppen ez: annak eldöntése, hogy az
egyes minták ugyanabból a sokaságból származnak-e, vagy nem.
Az egyszempontos (egytényezős) varianciaanalízis több, általában párhuzamos
elrendezésű csoport valamely folytonos, normális eloszlású jellemzőjének átlagát
hasonlítja össze úgy, hogy a csoportok közt csak egyetlen szempont szerinti eltérést
vesz figyelembe. Az összehasonlítás alapja az F-próba, mely az átlagok különbségeit
jellemző ´csoportok közötti´ varianciát hasonlítja össze a véletlen ingadozást
jellemző ´csoportokon belüli´ varianciával. Szignifikáns eredmény esetén annyit
mondhatunk, hogy a populációk átlagai nem mind egyformák. A különbségek
megtalálása további vizsgálattal, pl. többszörös összehasonlításokkal vagy
kontrasztok vizsgálatával folytatható.
A varianciaanalízis alkalmazási feltételei:
1. Az egyes részsokaságokat jellemző Y
1
, Y
2
,.....Y
k
ismérvek normális
eloszlású valószínűségi változók.
2. Szórásuk azonos.
3. Az egyes részsokaságokból vett n
i
elemű minták (azaz a megfigyelések)
függetlenek.
A varianciaanalízis eredményei robusztusak (nem érzékenyek) az első két feltételtől
való mérsékelt eltérésre, de nagyon érzékenyek a 3. feltétel teljesülésére.
Az egyszempontos varianciaanalízis az összes varianciát két részre osztja, a
kezeléssel (csoportosítás) megmagyározott variancia és a hiba (amit a kezeléssel nem
tudunk megmagyarázni). (4. táblázat) Ha elvégeztük a szórásfelbontást, akkor a két
rész szórásnégyzet felhasználásával elvégezzük az F-próbát
93
B
K
SS
SS
F ·
Az F-próba esetén az a feltételezésünk (nullhipotézisünk), hogy a kezelés és a hiba
szórásnégyzete szignifikánsan nem különbözik, azaz az adatok szórása nem
magyarázható meg kellő „súllyal” a kezeléssel. Ha az F-próba értéke kellő nagyságú,
és a hozzátartozó szignifikanciaszint kellően kicsi, akkor a nullhipotézist el lehet
vetni, azaz a kezelés kellő magyarázó erővel rendelkezik
Négyzetösszeg Szabadságfok Szórásnégyzet
Csoportosítás
(kezelés)
SS
K
= n Y Y
i
i
i
k
( ) −
·

2
1
k-1
MS
K
=embed Equation.3
n Y Y
k
i
i
i
k
( ) −

·

2
1
1
Hiba
SS
B
= ( ) Y Y
ij
i
j
n
i
k
i

· ·
∑ ∑
2
1 1
n-k
MS
B
=embed Equation.3
( ) Y Y
N k
ij
i
j
n
i
k
i


· ·
∑ ∑
2
1 1
Teljes SS=
( ) Y Y
ij
j
n
i
k
i

· ·
∑ ∑
2
1 1
n-1 MS=
( ) Y Y
N
ij
j
n
i
k
i


· ·
∑ ∑
2
1 1
1
4. táblázat
A varianciaanalízis táblája
26. feladat
Tyúkok tojástermelését vizsgálták egy takarmányozási kísérletben. A kísérletben
négyféle takarmányt etettek. Minden kísérleti csoportban 5 tyúk volt. A tyúkok az 5.
táblázatban található tojástermelésének alapján vizsgáljuk meg, hogy az eltérő
takarmányozásnak volt-e hatása a tojástermelésre?
94
A varianciaanalízis megoldására az Excelben az Eszközök – Adatelemzés –
Egytényezős varianciaanalízis utasítást használjuk. A számítás eredményét a 40. ábra
mutatja be, amelyből megállapítható, hogy az eltérő takarmányozásnak van hatása és
az eltérések nem a véletlennek tudhatók be.
Takarmány
Tyúkok
1 2 3 4 5
A 94 86 69 78 73
B 114 99 97 108 111
C 97 84 94 87 93
D 81 77 90 85 75
5. táblázat
A takarmányozási kísérlet eredménye
40. ábra
A takarmánykísérlet értékelése Excelben
95
Az R rendszerben történő megoldást a 41. ábra tartalmazza. Az ábrából láthatjuk,
hogy az F-próba szignifikancia szintje 0,1 %, azaz a nullhipotézist el kell vetni, és a
kezelés szignifikánsan különbözik a hibától. Az előző megállapítás azt jelenti, hogy a
takarmányozásnak van hatása a tyúkok tojástermelésére.
41. ábra
Az R rendszerben elvégzett varianciaanalízis
A boxplot felhasználásával ábrázolhatjuk is a kísérletet. A 42. ábra is mutatja, hogy
az egyes kísérletek eredményei láthatóan eltérnek egymástól.
> s = data.frame(k1,k2,k3,k4)
> boxplot(s, main="Takarmányozási kísérlet", ylab="Tojástermelés",
+ xlab="Takarmányok")
96
42. ábra
A takarmányozási kísérlet eredményének ábrázolása boxplot diagrammal
27. feladat
Az egyik iskolában 27 ösztöndíj pályázatot kell értékelni. A munkát a gyorsabb
eredmény érdekében 3 emberre bízták. A pályázatokat véletlenszerűen osztották szét
az értékelők között. Ugyanakkor nem szeretnék, ha az értékelők személye döntené el
a pályázat sorsát, ezért a bizottság úgy döntött, hogy összehasonlítja a három értékelő
eredményét (43. ábra). Az értékelést 1-5 pontos rendszerben végezték. Az értékelés
eredménye
1. értékelő: 4, 3, 4, 5, 2, 3, 4, 5
2. értékelő: 4, 4, 5, 5, 4, 5, 4, 4
97
3. értékelő: 3, 4, 2, 4, 5, 5, 4, 4
43. ábra
A pályázatértékelők összehasonlítása
40 Kéttényezős varianciaanalízis
A kéttényezős varianciaanalízisben az összehasonlítandó csoportok két független
szempontból is vizsgálhatók (pl. kezelés és nemek szerint). Ekkor a két tényező (pl. a
kezelések közötti különbségek) hatásán kívül vizsgálható a kettő kölcsönhatása
(interakció) is, vagyis az, hogy a két tényező együtt másképpen hat-e, mint külön-
külön (pl. a kezelések közötti különbségek függnek-e a nemtől). A többtényezős
varianciaanalízisben többszörös kölcsönhatások is szerepelnek.
A kéttényezős varianciaanalízis használható, ha az adatok két különböző dimenzióba
sorolhatók. Adott például egy kísérlet, ahol a növények magasságát mérjük. A
növényeket különféle típusú tápoldattal kezeljük (A, B és C), továbbá különböző
hőmérsékleten tartjuk őket (alacsony és magas). Mind a hat lehetséges {tápoldat,
hőmérséklet} párosítás esetén azonos számú megfigyelés áll rendelkezésünkre a
növények magasságát illetően. Ebben az esetben a varianciaanalízissel a
következőket vizsgálhatjuk:
• Vajon a növények magasságára vonatkozó mérések a különböző tápoldatok
esetében ugyanabból a sokaságból származnak-e. Ez az elemzés nem veszi
figyelembe a hőmérséklet hatását.
98
• Vajon a növények magasságára vonatkozó mérések a különböző
hőmérsékletek esetében ugyanabból a sokaságból származnak-e. Ebben az
esetben a tápoldatok hatását hagytuk figyelmen kívül.
• Figyelembe véve a különböző tápoldatok, és a hőmérsékletkülönbség okozta
eltéréseket (amelyeket az első és a második lépésben kimutattunk), vajon az
összes {tápoldat, hőmérséklet} értékpárt jelölő hat minta ugyanabból a
sokaságból származik-e. Az alternatív hipotézis szerint nem kizárólag a
hőmérséklet vagy a tápoldat változása okozhat eltérést, az egyes {tápoldat,
hőmérséklet} párok esetében más hatások is felléphetnek.
A kéttényezős varianciaanalízis lehet ismétléses (cellánként több megfigyelés) vagy
ismétlés nélküli (cellánként egy megfigyelés). Kéttényezős, ismétlés nélküli
varianciaanalízis akkor használható, ha az adatok két különböző dimenzióba
sorolhatók, a kéttényezős, ismétléses varianciaanalízishez hasonlóan. Itt azonban
feltételezzük, hogy minden párhoz (például minden {tápoldat, hőmérséklet} párhoz)
csak egy megfigyelés tartozik. Ebben az esetben elvégezhetjük a kéttényezős,
ismétléses varianciaanalízis első és második lépését, a harmadik lépés elvégzéséhez
viszont nem rendelkezünk elegendő adattal.
28. feladat
Egy patkányokon végzett toxicitás vizsgálatban 3 mérget használtak (I, II, III) és
négyféle kezelést alkalmaztak (A, B, C, D), a vizsgálatokat 4 ismétlésben végezték.
A vizsgálat során a patkányok túlélési idejét mérték tíz órákban. Az eredményt a 6.
táblázat tartalmazza.
Megoldás az R rendszerben:
> toxi = read.table("c://Program Files//R//R-2.3.1//library//ascdata//
+ rats.txt", header=TRUE)
34
> attach(toxi)
35
> par(mfrow=c(1,2))
> plot(idő ~ kezelés + méreg, data=toxi)
34
Az adatok rendelkezésre álltak file-ban, ezért onnan kerültek beolvasásra.
35
Lehetővé teszi, hogy az oszlopneveket közvetlenül használjuk a függvényekben.
99
Méreg
Kezelés
A B C D
I
0.31 0.82 0.43 0.45
0.45 1.10 0.45 0.71
0.46 0.88 0.63 0.66
0.43 0.72 0.76 0.62
II
0.36 0.92 0.44 0.56
0.29 0.61 0.35 1.02
0.40 0.49 0.31 0.71
0.23 1.24 0.40 0.38
III
0.22 0.30 0.23 0.30
0.21 0.37 0.25 0.36
0.18 0.38 0.24 0.31
0.23 0.29 0.22 0.33
6. táblázat
A toxicitási kísérlet eredménye
Az számítások elvégzése során elkészítettük az egyes tényezők boxplot diagramjait
(44. ábra), amelyek bemutatják a tényezőkön belüli szempontokhoz tartozó adatok
elhelyezkedését. Ezt követően elvégzésre került a kéttényezős varianciaanalízis,
amelynek eredménye a 45. ábrán látható. A 45. ábrából azt is láthatjuk, hogy a
kéttényezős varianciaanalízis számításhoz ugyanazt a függvényt használtuk, amit az
egytényezős esetben, csak itt megadásra került a második tényező is. A függvény
segítségével többtényezős varianciaanalízis is elvégezhető. A varianciaanalízis
eredményéből azt láthatjuk, hogy az egyes tényezőkön (hatásokon) belül szignifikáns
különbség van, azaz az egyes mérgek és kezelések egymástól szignifikánsan
különböznek. Ugyanakkor a tényezők kölcsönhatása nem szignifikáns.
100
44. ábra
A toxicitási vizsgálat boxplot diagramjai
45. ábra
A toxicitás vizsgálat varianciaanalízisének eredménye
101
Ellenőrző kérdések:
1. Mi a mintavétel célja?
2. Milyen mintavételi eljárásokat ismerünk?
3. Mi a standard hiba?
4. Melyek az egytényezős varianciaanalízis jellemzői?
5. Minek a megállapításában játszik szerepet az F-próba az egytényezős
varianciaanalízisben?
6. Mikor van szükség két- vagy többtényezős varianciaanalízisre?
7. Milyen típusai lehetnek a kéttényezős varianciaanalízisnek?
102
41 Korrel áci ó és regresszi ószámí tás
A kísérletek során a rendszer állapotát jellemző paraméterek kapcsolatát vizsgáljuk.
A nyert adatok alapján felállítjuk a rendszer matematikai modelljét, vagy ha már
vannak ismereteink, akkor az előre felállított modell (hipotézis) érvényességét
ellenőrizzük. Aszerint, hogy két paraméter (változó) vagy egyidejűleg több
tulajdonság egymás közötti összefüggését vizsgáljuk, kétváltozós, illetve
többváltozós összefüggés vizsgálatról beszélünk. Magát az összefüggést
korrelációnak is nevezik. Az általunk tervszerűen változtatott paramétert független
változónak, az ennek hatására változó másikat függő változónak tekintjük.
Az összefüggés-vizsgálattal foglalkozik a korreláció- és regresszióanalízis.
42Korrelációszámítás
Amikor két változó mennyiség úgy függ össze egymással, hogy a független változó
adott értékéhez a függő változó egy jól meghatározott értéke tartozik,
függvénykapcsolatról beszélünk. A függvény alakját a változók közötti kapcsolat
jellege szabja meg. Gyakran előfordul azonban olyan, hogy a változó mennyiségek
között nem teljesen határozott az összefüggés: a független változó (x) minden
értékéhez a függő változó (y) bizonyos statisztikus sokasága tartozik, oly módon,
hogy az y eloszlása az x változásával meghatározott módon szintén változik. Ebben
az esetben az x és y közötti összefüggést korrelációs kapcsolatnak nevezzük.
Ilyenkor az összefüggést az egyik változó (x) és a másik változó (y) várható értéke
között tudjuk megadni. Tehát a korrelációs kapcsolat közbenső állapotot foglal el
a pontos függvényszerű összefüggések és a változók teljes függetlensége között
(az ilyen jellegű kapcsolatot sztochasztikusnak is nevezik).
Két mennyiség közötti kapcsolat szorosságát jellemző mérőszámok közül a
legelterjedtebb a korrelációs együttható, vagy Pearson-féle korrelációs együttható.
Az együtthatót r-rel jelöljük, és a mérések közötti lineáris kapcsolat szorosságát méri.
103
A korrelációszámítás képlete:
A korrelációszámítás képletének számlálójában van a kovariancia, amely két változó
(X, Y) együttes változásának mértéke, ezért nevezik együttes szórásnak is. A
kovariancia előjele határozza meg a korreláció irányát (pozitív vagy negatív; a két
változó együtt változik vagy ellentétesen).
A korrelációs együttható értéke mindig -1 és 1 között van. Ha a pontok nem
fekszenek egy egyenes mentén, akkor azt mondjuk, hogy nincs korreláció közöttük (r
= 0), vagy gyenge korreláció van közöttük (r közel van 0-hoz.). Ha a pontok egy
egyenes mentén fekszenek, akkor r közel van +1-hez vagy -1-hez, ekkor azt
mondjuk, hogy a két változó között szoros vagy magas korreláció van. Ha a pontok
pontosan rajta vannak egy növekvő egyenesen, akkor r = 1, ha pedig egy csökkenő
egyenesen vannak pontosan rajta, akkor r = -1.
Tegyük fel, hogy egy populáció vizsgálata során ki tudtuk számítani a populációbeli
korrelációs együtthatót két változó közötti lineáris kapcsolat mérésére. Ha ez az
együttható 0 lenne, azt mondhatnánk, hogy nincs korreláció a két változó között.
Tehát, ha egy mintát vizsgálunk, akkor a mintából számított korrelációs együttható 0-
hoz közeli értéke arra enged következtetni, hogy nincs korreláció a két változó
között. 0-tól távol eső (1-hez vagy -1-hez közeli) értékek pedig bizonyos korreláció
meglétére engednek következtetni. A statisztikai szempontból el kell tudnunk
dönteni, hogy r értéke elég messze van-e 0-tól ahhoz, hogy elég nagy biztonsággal
állíthassuk, hogy valóban fennáll.
H
0
: korrelációs együttható a populációban = 0 (r = 0; ρ = 0)
H
1
: r ≠ 0
104
Ez a próba egy t eloszlású statisztikával hajtható végre. Bebizonyítható, hogy ha igaz
a nullhipotézis, a következő, t-vel jelölt statisztika t-eloszlású n-2 szabadságfokkal:
43 Regressziószámítás
A statisztikában a regressziószámítás, vagy regresszióanalízis során két vagy több
véletlen változó között fennálló kapcsolatot modellezzük. A regressziós modell
tulajdonságai alapján megkülönböztethetünk lineáris és nemlineáris regressziót, az
adataink alapján pedig idősor, keresztmetszeti, és panel regresszióanalízist.
A regressziós egyenletben a magyarázandó vagy függő változót (Y) a magyarázó
változók vagy regresszorok (X) segítségével magyarázzuk. A regressziós egyenletek
fontos eleme a maradék (reziduum) vagy hibaváltozó (e, u, vagy gyakran ε), vagyis a
modellünk által nem magyarázott rész. Ha a függő változónkat egy magyarázó
változó segítségével modellezzük, akkor kétváltozós regresszióról, ha pedig több X
változót is használunk, többváltozós regresszióról beszélünk.
44 Kétváltozós lineáris regresszió
A kétváltozós lineáris regresszió egyenletének általános alakja
Y = a + b * X
A regressziószámítás során úgy szeretnénk meghatározni az ’a’ és a ’b’ értékét, hogy
az egyenes a legjobban illeszkedjen az eredeti sokaság pontjaira. Tegyük fel, hogy
’n’ számú megfigyeléspárunk van: [x
i
, y
i
, i=1, 2, ... ,n]. Szeretnénk az y
i
-t (a függő
vagy eredményváltozót) az egyenes x
i
(a független vagy magyarázó változó) helyen
felvett értékeivel közelíteni, azaz az ’a + b - x
i
’-vel. A közelítés akkor jó, ha az ’y
i

105
(a + b * x
i
)’ különbségek kicsik. Mivel ezek a különbségek pozitívak és negatívak is
lehetnek, vegyük ezek négyzetét és összegezzük a különbségek négyzetét. Így a
következő összeget kapjuk, melyet minimalizálnunk kell:
A fenti összefüggésből következően a regressziós együtthatókat a következő
képletekkel tudjuk meghatározni:
A korrelációs és regressziós együttható között fennáll a következő összefüggés:
ahol az s
x
és az s
y
az x
1
, x
2
, ... , x
n
és az y
1
, y
2
, ... , y
n
minták standard eltérései
(szórásai). A képletből látható, hogy az ’r’ és a ’b’ előjele megegyezik, mivel a
standard eltérés mindig pozitív. Tehát negatív korreláció esetén a regressziós egyenes
meredeksége negatív és fordítva. Bizonyítható, hogy ugyanaz a t-próba alkalmazható
a regressziós együttható nullától való eltérésének szignifikanciájára, mint a
korreláció szignifikanciájának vizsgálatára.
106
29. feladat
Hajdú-Bihar megye néhány gazdaságában az adott földminőség mellett a kukorica
termésátlaga a 7. táblázatban látható módon alakult. Határozzuk meg a föld minősége
és a kukorica termésátlaga közötti összefüggés szorosságát. Ellenőrizzük a
korrelációs együttható megbízhatóságát.
Gazdaság
sorszáma
Földminőség
aranykorona/ha
Kukorica
termésátlaga
t/ha
1 24.1 8.9
2 34.1 9.8
3 40.5 10.5
4 17.7 8.1
5 19.1 8.3
6 15.5 7.2
7 26.2 9.0
8 19.4 8.3
9 19.3 8.2
10 14.1 7.0
11 18.6 8.1
12 18.2 8.0
13 17.9 8.0
14 19.3 8.5
15 20.1 9.0
16 21.2 8.9
17 25.2 9.3
18 28.6 9.7
19 32.1 10.0
20 38.5 10.3
7. táblázat
A kukorica termésátlagának alakulása
A korreláció- és regressziószámítás az Excel táblázatkezelőben az Eszközök –
Adatelemzés – Korreláció, valamint az Eszközök – Adatelemzés – Regresszió
utasításokkal végezhető el. A számítás eredményét a 46. ábrán láthatjuk. Az ábrából
látható, hogy a vizsgált két tényező között szoros pozitív korreláció van, és az F-
próba értékei alapján az is megállapítható, hogy a regressziós függvénnyel az adott
összefüggés jól leírható, illetve a termésátlagot befolyásolja a föld minősége. Az r-
négyzet vagy determinációs együttható azt jelzi, hogy a független változó mintegy 88
107
%-ban határozza meg a függő változót, azaz a földminőség a kukorica termésátlagát.
Az F-próba segítségével az egész regresszióval kapcsolatos megállapításokat
tehetünk, míg az együtthatók megbízhatóságát (nullától való különbözőségüket) a t-
próbával ellenőrizhetjük. A kiszámított t-próbák alapján megállapítható, hogy
mindkét együttható szignifikánsan nagyobb a nullától.
46. ábra
A földminőség és a kukorica termésátlag közötti összefüggés kiszámítása
Az R rendszerben a regresszió számításnak többféle lehetősége is van. Mi ezek közül
az ’lm’ függvénnyel foglalkozunk. Az ’lm’ egy objektum orientált függvény, ami azt
jelenti, hogy az alapszámítás elvégzése után az egyes objektumok meghívásával a
regresszió eredményének további részeit jeleníthetjük meg.
108
Az elemzéshez a 7. táblázat adatait használtuk fel és először elkészítettük a két
változó összefüggésének pontdiagramját (47. ábra). A 47. ábrából látható, hogy az
összefüggés elég jól közelíthető egy egyenessel.
47. ábra
A földminőség és a kukoricatermés közötti összefüggés pontdiagramja
Ezután elvégezzük a regresszió kiszámítását. (48. ábra) A 48. ábra felső részén az
’lm’ függvény használatával megkaptuk a regressziósfüggvény együtthatóit. Ha több
információt szeretnénk kapni az összefüggésvizsgálatról, akkor az ’lm’ eredményét
egy változóba kell elhelyezni és ennek a változónak a segítségével többféle
eredményt is előállíthatunk. Az egyik ilyen lehetőség a ’summary’ függvény
használata, amelynek az eredménye a 48. ábra második részében látható.
109
48. ábra
Regressziószámítás az R rendszerben (kukoricatermés – földminőség)
Az R rendszerben a regressziószámítás során, többek között, például a következő
jellemzők előállítására van lehetőségünk:
• reziduumok ($residual)
• számított értékek ($fitted.values)
• együtthatók ($coefficients)
• reziduumok szabadságfoka ($df.residual)
Az eredmény objektum (regr) felhasználásával elkészíthetjük a regressziós
függvényünk grafikonját is (49. ábra):
> plot(földmin, kuk.termés,
+ main="A kukoricatermés és a földminőség közötti összefüggés",
+ sub="kukoricatermés = 5.94 + 0.12 * földminőség")
> abline(regr)
110
49. ábra
A regressziós függvény ábrázolása
Ha a regressziós objektumot adjuk a plot grafikus függvény paraméterének, akkor a
rendszer az 50. ábrán látható grafikonokat készíti el a regresszióhoz kapcsolódóan.
Az ’anova’ függvény felhasználásával kiszámíthatjuk a regresszió F-próba értékét is.
Az 51. ábrán láthatjuk, hogy a magas F-érték azt jelzi, hogy a földminőséggel jól
magyarázható a termésátlag változása (szignifikanciaszint < 0.1 %).
111
50. ábra
A plot(regr) eredménye
51. ábra
A regresszió varianciaanalízise
A nem-lineáris regresszióval részletesen nem foglalkozunk, mert az alapadatok
transzformálásával bármilyen olyan regressziós függvény előállítható, ahol az
112
alapfüggvény linearizálható. Az R rendszerben a transzformációt a regressziót
meghatározó függvény is el tudja végezni, pl.: lm(log(y) ~ x).
45 Többváltozós lineáris regresszió
A kétváltozós lineáris regresszió egyenletének általános alakja
Y = a + b
1
* X
1
+ b
2
* X
2
+ ... + b
n
* X
n
Az egyenletből is látható, hogy többváltozós regressziószámításról akkor
beszélhetünk, ha a kapcsolat vizsgálat egyidejűleg kettőnél több ismérvre terjed ki.
Az ismérvek között sokfajta és bonyolult oksági kapcsolat létezhet.
A többváltozós regressziószámítás számítógépes megvalósítási szempontból nem
különbözik a kétváltozós esettől, csak ebben az esetben az egy eredményváltozó
mellett több magyarázó változó szerepel. Kapott regressziós együtthatókat parciális
regressziós együtthatóknak nevezzük. A teljes kapcsolat szorosságát a totális
(többszörös) korrelációs együtthatóval fejezzük ki. Az egyes változó kombinációk
egymásra hatását pedig a parciális korrelációs együtthatók fejezik ki.
A többváltozós regresszió esetén is először az Excelben történő megoldást mutatjuk
be. A 52. ábrán a regressziószámítás paramétereinek megadását mutatjuk be, az 53.
ábra pedig a megoldás eredményét tartalmazza. A paramétereket értelemszerűen kell
megadni, általában elegendő az alapértékek megadása (változók és az output helye),
de ha további információkra is szükségünk van, vagy pedig az eredményt szeretnénk
más számításban felhasználni, akkor a további paraméterek megadásával, további
eredményekhez is hozzájuthatunk. Ennek a struktúrája teljes mértékben megegyezik
a kétváltozós regressziónál bemutatottal.
Sor-
szám
Kijuttatott műtrágya hatóanyag (kg/ha) Termésátlag
t/ha
N P K
113
1 131 91 84 5.1
2 179 124 99 6.7
3 214 137 99 7.5
4 134 68 69 3.2
5 147 77 55 3.7
6 171 117 103 6.5
7 135 86 73 4.4
8 255 150 105 8.5
9 129 69 54 3.2
10 139 99 94 3.5
11 123 89 101 3.1
12 242 158 58 6.8
13 227 147 112 6.7
14 293 169 108 9.2
15 274 205 129 9.8
16 188 142 144 8.2
17 152 89 65 4.9
18 163 66 45 3.1
19 136 84 86 4.2
20 270 188 70 8.6
21 220 161 96 8.6
22 228 145 85 7.0
23 206 97 84 5.5
24 238 106 102 5.9
25 112 59 58 3.8
26 180 110 98 5.9
8. táblázat
A műtrágyázás hatása a termésátlagra
114
52. ábra
A többváltozós regressziószámítás paraméterezési lehetőségei az Excelben
Az 53. ábra eredményeit értékelve a következő megállapításokat tehetjük. Az F-
próba értéke alapján megállapítható, hogy a független változókkal (műtrágya
adagok) együttesen a függő változó jól megmagyarázható (ezt támasztja alá a
többszörös korrelációs együttható magas értéke is). Ha viszont a parciális regressziós
együtthatók t-próbáit vesszük vizsgálat alá, az állapítható meg, hogy egyikre sem
mondhatjuk azt, hogy szignifikánsan különbözik nullától. Ezt okozhatja a magyarázó
változók közötti kölcsönhatás (kollinearitás) is. Ez azt jelent, hogy a regresszióval jól
bemutatható az összefüggés, de a regressziós együtthatók külön-külön nem
értelmezhetők.
A következőkben az R rendszerben mutatjuk be a többváltozós regressziószámítás
megoldását. (54. ábra) Ebben az esetben is ugyanazt a függvényt kell használni, mint
a kétváltozós esetben. A magyarázó változókat ’+’ jellel összekötve tetszőleges
változó megadható. Többváltozós esetben is lehetőség van a változók konvertálására,
amit a regressziót megoldó függvényben meg is lehet adni.
115
53. ábra
A többváltozós regresszió eredménye az Excelben
54. ábra
A többváltozós regresszió megoldása az R rendszerben
116
46 Idősorok elemzése
Valamely jelenség fejlődését, időbeli alakulását különböző tényezők idézik elő. A
fejlődés törvényszerűségeinek tanulmányozásakor az idősorok statisztikai
elemzésének egyik fő problémája éppen az egyes komponensek elkülönítése. A
statisztikai elemzés szempontjából a következő komponenseket különböztetjük meg:
1. Alapirányzat vagy trend.
2. Periodikus ingadozás.
3. Véletlen ingadozás.
Az idősorok komponenseinek áttekintése után könnyen megfogalmazhatjuk az
idősorok elemzésének ebből adódó feladatait. Mindenekelőtt a fejlődés
alapirányzatát célszerű megismerni, ami az idősor „kisimítását” jelenti, azaz a
szezonális, ciklikus és véletlen ingadozásokat próbáljuk „eltüntetni”. Ezt a
trendszámítással tudjuk elvégezni. A következő feladat az idényszerű hullámzás
mérése lehet, amivel a szezonindex-számítás foglalkozik.
A trendszámítás elvégezhető mozgóátlagolással vagy analitikus trendszámítással. A
trendszámítás feladata az idősor fő komponensének, az alapirányzatnak a kimutatása.
A mozgóátlagolás alapgondolata, hogy a trendet az eredeti sor dinamikus átlagaként
állítjuk elő. Először meg kell határozni a mozgóátlagolás tagszámát (k), amit úgy kell
megválasztani, hogy egy-egy ciklushoz tartozó adatok számával legyen egyenlő,
vagy ennek egészszámú többszöröse legyen. Ezután elvégezzük az átlagolást az első
’k’ taggal, majd mindig elhagyjuk az első tagot, és utolsónak betesszük a sor
következő tagját. Ezt a folyamatot addig végezzük, amíg az adataink el nem fogynak.
Az analitikus trendszámítás a regressziószámításra épül, de az idősorok jellemzőiből
következően lehetőségünk van bizonyos egyszerűsítésekre. A lineáris trendszámítás
során az
t b b y
t
* ˆ
1 0
+ ·
egyenes egyenletét kell meghatározni. Az egyenlet paramétereinek meghatározása
117
n
y
b
n
t
t

·
·
1
0


·
·
·
n
t
n
t
t
t
y t
b
1
2
1
1
*
Az idősor értékeinek transzformálásával nem lineáris trendfüggvényeket is
meghatározhatunk, amelyek közül a következőket szokták használni:
• exponenciális trend,
• parabolikus trend,
• logisztikus trend.
Az előzőekben említett számításokon túl az idősorok elemzésében az utóbbi
évtizedekben jelentős mértékben megnőtt az autoregresszív és mozgóátlag-
folyamatok jelentősége (ARMA). A gyakorlatban előforduló, stacionárius viselkedést
mutató, véletlen folyamatok jól közelíthetők az ARMA folyamatokkal. Az ARMA
paraméterek meghatározását, vagyis az illesztést empirikus idősorok alapján
végezzük.
Az R rendszer ’stat’ csomagja több függvénnyel is rendelkezik az idősorokkal
kapcsolatos számításokhoz, illetve idősorok ábrázolásához. Például, az ’stl’
függvénnyel trend és szezonális komponensekbe transzformálhatjuk az idősort, az
’ar’ függvénnyel autoregresszív modelleket hozhatunk létre, az ’arima0’
függvénnyel pedig autoregresszív modellekbe integrált mozgóátlagokkal
végezhetünk számításokat. Az ’nlme’ csomag ’gls’ függvényével pedig viszonylag
komplex modelleket illeszthetünk.
A rendelkezésre álló modellek közül – terjedelmi korlátok miatt – csak az ’stl’
függvény néhány lehetőségét mutatom be.
> plot(stl(nottem, "per")) 55. ábra
> plot(stl(nottem, s.win = 4, t.win = 50, t.jump = 1)) 56. ábra
> plot(stllc <- stl(log(co2), s.window=21)) 57. ábra
> summary(stllc) 58. ábra
118
55. ábra
Az adatok tendenciája simítás nélkül
56. ábra
Az adatok tendenciája simítással
119
57. ábra
Adatok logaritmusának a simítása
58. ábra
Az idősor simítás eredménye
120
Ellenőrző kérdések:
1. Mit vizsgálunk a korrelációszámítással?
2. Mire használható a regressziószámítás?
3. Milyen következtetésekre juthatunk a regresszión elvégzett F-próba
által?
4. Milyen következtetésekre juthatunk a regressziós együtthatókon
elvégzett t-próbák által?
5. Milyen típusai vannak az idősorok elemzésének?
6. Mi az idősorelemzés lényege?
121
47 Többvál tozós stati szti kai módszerek
Az elemezni kívánt jelenségek többségénél nem lehet az összefüggéseket egyetlen
tulajdonság, megfigyelési változó segítségével leírni, és sokszor a megfigyelt
tulajdonságok mögött rejlő közös okváltozók, háttérváltozók érdekelnek bennünket.
A komplex háttérváltozók felderítéséhez megfelelő többváltozós statisztikai
eszközökre van szükségünk. A többváltozós módszerek alkalmazásának lehetőségét
alapvetően az elmúlt évtized hatalmas mértékű számítástechnikai fejlődése tette
lehetővé, mert a módszerek már régen rendelkezésre álltak, csak a számítások
elvégzése jelentett problémát a megfelelő eszköz hiányában.
A rendelkezésre álló többváltozós statisztikai módszerek közül csak a
legfontosabbakat tárgyaljuk, és azoknak is csak az alapjait. A bemutatott módszerek
mindegyike nagyon sok olyan lehetőséggel rendelkezik, ami a terjedelmi korlátok
miatt itt nem mutatható be.
48 Faktor- és főkomponensanalízis
Olyan statisztikai eljárás, melynek elsődleges célja az adatcsökkentés és –összegzés.
Gyakran nagyszámú változóval dolgozunk, amelyek egymással korrelálnak. Ezek
számát a kezelhetőség érdekében csökkenteni kell. Az elemzés során az egymással
kölcsönösen összefüggő változók közötti kapcsolatokat vizsgálunk, és ezeket néhány
magyarázó főkomponens/faktor alapján jelenítjük meg.
A faktoranalízis egy matematikai elemzési koncepció valamely többváltozós
összefüggésrendszer háttérváltozóinak a feltárására. A tudományos kutatásban a
jelenségkomplexumok mögötti háttérváltozók felismerése, azok számának a
meghatározása és számszerű kifejezése hozza a leglényegesebb előrehaladást.
A háttérváltozók feltárást nehezíti, hogy egy-egy háttérváltozó feltehetően csak több
megfigyelési változóval tudunk jellemezni, másrészt több háttérváltozó
befolyásolhatja ugyanazt a megfigyelési változót.
122
A megoldáshoz nagyon kevés támpontunk van:
1. A megfigyelési változókból kell visszakövetkeztetnünk a háttérváltozókra.
2. A megfigyelési változók többé-kevésbé korrelálnak egymással, korrelációs
rendszert képeznek, amelyet matematikailag a korrelációs koefficiensekkel,
illetve az azokat összefoglaló korrelációs mátrixszal fejezünk ki.
3. Legfeljebb annyi háttérváltozót feltételezünk, ahány megfigyelési változónk
van, de általában az várható, hogy a háttérváltozók száma kisebb.
A háttérváltozók feltárása szempontjából a kiindulási alap mindig a megfigyelési
változók korrelációs mátrixa. Ha valamelyik megfigyelési változó egyetlen más
változóval sem korrelál, akkor feltételezhető, hogy saját, önálló háttérváltozó idézi
elő a rajta megfigyelt jelenséget. Ha két vagy több megfigyelési változó között
szoros korreláció van, akkor egy közös háttérváltozót feltételezhetünk.
A faktorok nem korrelálnak egymással. Ugyanis, amíg korrelálnak, addig van közös
részük, tehát tovább faktorizálhatók. Arra is van azonban lehetőség, hogy egymással
korreláló faktorokat hozzunk létre, sőt a korreláció mértékét meg is határozzuk. Ezt
az eljárást nevezik ferdeszögű forgatásnak, rotációnak.
Valamely X megfigyelési változó modellje a faktoranalízisben
ie i im im iq iq iII iII iI iI i
F e F b F a F a F a X + + + + + + · * ... * ... * *
ahol
i
X
- az i-edik standardizált megfigyelési változó,
F
- a standardizált faktorváltozó (analóg a főkomponensanalízis
standardizált
C
főkomponens változójával)
a – a közös faktorok súlya (közös faktor, amelyik több megfigyelési változót
befolyásol)
b – az egyedi faktorok súlya (egyedi faktor, amelyik csak egy megfigyelési
változót befolyásol)
e – a hibafaktor súlya (hibafaktor, amelyik származhat mérési
pontatlanságból, a korrelációs együtthatók becslési hibájából)
123
Az alapkérdés az, hogy az X megfigyelési változó varianciáját milyen mértékben
befolyásolják a közös faktorok, az egyedi faktor és a hiba. A befolyásolás mértékét a
faktorsúlyok négyzetei fejezik ki

·
+ + ·
q
j
i im ij i
e b a s
1
2 2 2
2
ahol
i – az X megfigyelési változó általános indexe,
q – a közös faktorok száma,

·
q
j
ij
a
1
2
- a közös faktorok súlyainak négyzetösszege, amit kommunalitásnak
neveznek (h
2
).
A főkomponens analízis a többváltozós statisztikai módszerek közül az egyik
legfontosabbnak tekinthető. Ezen a módszeren keresztül lehet világosan megérteni és
követni mindazokat a többváltozós módszereket, amelyek a sajátértékszámításra
épülnek. A főkomponens analízis alkalmazási lehetőségei közül, a
legfontosabbaknak talán a következők tekinthetők:
• A vizsgált ismérvek (változók) csoportosítása az egymás közötti
korrelációjuk, kapcsolatuk szorossága alapján. Felismerhetővé válnak az
összetartozó változók, lehetővé válik csoportok képzése.
• A változók számának a csökkentése, változócsoportokhoz háttérváltozók
(közös okváltozók) rendelése által.
• Változók csoportosítása és a csoportok grafikus ábrázolása.
Az előzőekből már látható, hogy a főkomponens analízis lényege, hogy az eredeti
változókat korrelációjuk alapján főkomponensekbe vonjuk össze, és ezáltal a sok
megfigyelési változóból kevesebb főkomponens keletkezik. A lényeg az, hogy
jelentős mértékben csökkenteni tudjuk az eredeti változó számot. A csökkentésnek
igazán akkor van értelme, ha a kapott főkomponenseknek valamilyen közös
elnevezést tudunk adni. Az előzőek figyelembe vételével jól alkalmazható a
főkomponens analízis a többváltozós regresszióanalízis helyett vagy annak
kiegészítéseként.
124
A változók számának csökkentése során az is kiderül, hogy melyek a jelentéktelen
változó, azaz mely változóknak kicsi a magyarázó ereje a függő (eredmény) változó
vonatkozásában.
A főkomponensek kiszámításának lépései:
1. Az ismérvértékek standardizálása. A standardizált értékek jellemzője, hogy
átlaguk 0, szórásuk pedig 1. A standardizálás egyik célja a mértékegységek
kiküszöbölése, hogy eltérő mértékegységű ismérvek is összehasonlíthatók
legyenek.
2. A standardizált változókból a főkomponens változók (C
j
) kiszámítása

·
· + + + + + ·
p
i
i ij n nj i ij j j j
X u X u X u X u X u C
1
2 2 1 1
* * ... * ... * *
ahol
Cj – a főkomponensek, főkomponensváltozók
X
i
– a standardizált ismérvértékek
u
ij
– a főkomponens koefficiensek
p – az ismérvek száma
Az u
ij
koefficienseket a standardizált X változók kovariancia mátrixából számoljuk
ki, és ennek a j-edik sajátértékéhez, a λ
i
-hez tartozó u
j
sajátvektor elemei az u
ij
együtthatók.
a. Minden szimmetrikus mátrix átalakítható olyan diagonális mátrixszá,
amelyben a főátló összege egyenlő az eredeti mátrix főátlójának az
összegével, továbbá a főátló elemei csökkenő nagyságba rendeződnek,
függetlenül az eredeti mátrix sorainak sorrendjétől. Egy adott mátrixra csak
egyetlen ilyen megoldás létezik, ha egyáltalán van megoldás. Ezt az
átalakítást végezzük el a sajátérték számítással. Az új mátrix főátlójában
balról jobbra csökkenő sorrendben az eredeti mátrix ún. sajátértékei
(karakterisztikus értékei) állnak.
b. A sajátértékkel meghatároztuk az új mesterséges C változók varianciáit.
Ezután meg kell határoznunk az u
ij
együtthatókat, hogy az eredeti változókból
(X) kiszámíthassuk a mesterséges változókat (főkomponenseket) (C). Az u
ij
125
együtthatók egyenletenként más és más vektorokat képeznek (u
I
). A vektorok
meghatározása a sajátvektor számítással történik. Egy adott p rangú,
szimmetrikus A mátrixhoz p számú λ sajátérték, és minden sajátértékhez
egyetlen u
j
sajátvektor tartozik.
A faktoranalízis általánosabban alkalmazott matematikai módszer, mint a
főkomponens analízis. Két módszerben sok közös vonás is van. Az eltérés – ami nem
lényegtelen – mindössze annyi, hogy a főkomponensanalízisben a korrelációs mátrix
főátlójában 1 szerepel, míg a faktoranalízis esetén a kommunalitások.
30. feladat
Egy élelmiszeripari laboratóriumban 14 búzafajtát vizsgáltak meg, és a búzák négy
minőségi tulajdonságát mérték. Vizsgáljuk meg a tulajdonságok
összefüggésrendszerét főkomponensanalízissel.
A vizsgálatot az R rendszerben végeztük el a ’prcomp’ főkomponenselemző
eljárással (stats package).
> búza = read.table("g://a//buzafaktor.txt", header=TRUE)
> prcomp(búza[,2:5], scale = TRUE)
> summary(fokomp)
> fokomp$x
> fokomp$scale
> fokomp$center
> plot(fokomp, main ="Búzafajták értékelése" )
A főkomponenselemzés eredménye az 59. ábrán látható. Az első számítás során
megkaptuk a főkomponens együtthatók mátrixát. A második számítás során arra
kapunk választ, hogy milyen mértékben részesednek az egyes főkomponensek az
összvarianciából. Az a főkomponenselemzés módszeréből következik, hogy mindig
az első komponens részesedik a legnagyobb mértékben a varianciából és így tovább.
126
A harmadik és a negyedik utasítás az eredeti értékek átlagát és szórását írja ki (a
főkomponenselemzés a regressziószámításhoz hasonlóan objektum orientált eljárás).
59. ábra
A főkomponenselemzés eredménye
A 60. ábrán a főkomponensváltozók értékei szerepelnek, amelyeknek az a
jellemzőjük, hogy az átlaguk nulla, a szórásuk pedig egyenlő a sajátértékeikkel. A
61. ábrán az egyes főkomponenssúlyokat a 62. ábrán pedig a főkomponensek
elhelyezkedését ábrázoltuk.
A faktoranalízis a főkomponensanalízishez hasonlóan számítható és hasonló ábrák,
értékek jeleníthetők meg. Az R rendszerben több függvény is van a faktoranalízis
elvégzésére, pl.: rfa, factorMineR.
127
60. ábra
A főkomponenselemzés főkomponensváltozói
61. ábra
A főkomponensek súlyainak ábrázolása
128
62. ábra
A főkomponensek elhelyezkedése
49 Diszkriminanciaanalízis
A diszkriminanciaanalízis olyan adatelemzési módszer, amelyet kategóriába tartozás
előrejelzésére lehet használni, és amelynél a kritériumváltozó kategorizált és a becslő
változók intervallumskálák.
A diszkriminanciaanalízis két csoport (pl.: A és B) szétválasztására alkalmas
módszer, több kvantitatív változó együttes figyelembevétele alapján. A módszer
kiindulási alapja, hogy minden megfigyelt egyedet megadott szempontok alapján
előre egy meghatározott csoportba soroltunk. A diszkriminanciaanalízis a korábban
már tárgyalt többváltozós regresszióanalízishez nagyon hasonló módszer, ahol
azonban a függő változó nem kvantitatív, hanem egy kvalitatív tulajdonság két
változata. A módszer segítségével a következő kérdésekre adhatunk választ:
129
• Egynél több kvantitatív tulajdonság együttes figyelembevételével
kimutatható-e szignifikáns különbség a két csoport között.
• Az megfigyelési egységeknek a két csoportba történt eredeti besorolásának
helyességét kvantitatív változók alapján ellenőrizzük, vagy reprodukáljuk.
• Keresünk egy függvényt, amely segítségével eldönthető, hogy egy további
megfigyelt egyed melyik csoportba sorolandó.
• Minden egyes egyedet több tulajdonság együttes figyelembevételével
számszerű értékkel kívánunk jellemezni.
• A két csoportra középértékeket számíthatunk ki, amelyek segítségével
számszerűsíteni tudjuk a két csoport közötti különbséget.
• Megvizsgálhatjuk, hogy a két csoport különbsége mennyire függ az egyes
tulajdonságoktól.
A diszkriminanciaanalízisben minden megfigyelési egységre, függetlenül egy adott
csoportba tartozásától, egy közös diszkriminanciaegyenlettel egyedi Z értéket,
diszkriminanciaváltozót számítunk ki. Az egyenlet
1 2 2 1 1
... ... X w X w X w X w Z
p i i
+ + + + + ·
ahol
w
i
a diszkriminancia együtthatókat
X
i
a standardizált megfigyelési változókat jelenti
Néha előnyösebb lehet, ha az eredeti értékekkel számítjuk ki a fenti összefüggést, a Z
értéket. Erre alapvetően akkor van szükség, ha utólag újabb megfigyelési egységről
akarjuk eldönteni, hogy az egyik vagy a másik csoportba tartozik-e, mert ilyenkor a
megfigyelt értékkel kell a számítást végeznünk. A Z érték ebben az esetben is
ugyanaz marad.
A diszkriminanciaanalízis az R rendszerben az ’lda’ függvénnyel végezhető el.
130
50 Klaszterelemzés
A klaszterelemzés célja az, hogy a bevont változók szerint adott (k) számú homogén
csoportot különíthessünk el. A klaszteranalízis összefüggések halmazát vizsgálja,
nem tesz különbséget függő és független változó között, hanem a változók halmazán
belüli kölcsönös összefüggéseket vizsgálja. Elsődleges célja, hogy a megfigyelési
egységeket relatíve homogén csoportokba rendezze a kiválasztott változók alapján.
Az adott csoportba tartozó megfigyelési egységek viszonylag hasonlítanak egymásra,
de különböznek más csoportok tagjaitól.
A klaszterelemzés és a diszkriminanciaanalízis is csoportosítással foglalkozik. A
diszkriminanciaanalízis megköveteli a klaszterekbe tartozás előzetes ismeretét, s ez
alapján kialakít egy csoportosító szabályt. Ezzel szemben a klaszterelemzésnél nem
rendelkezünk előzetes ismerettel, a csoportok az adatok alapján alakulnak ki. A
módszer nagyon hasznos lehet például a marketing területén, hiszen ha tudjuk, hogy
a vásárlók fejében mely termékek alkotnak egy klasztert, akkor a szupermarketekben
az áruk megfelelő egymás mellé helyezésével jelentős extraprofitra lehet szert tenni.
A klaszterelemzés elvégzésére az R rendszer több lehetőséget is biztosít, mint pl.:
mclust, flexclust.
Ellenőrző kérdések:
1. Mi a faktor- és a főkomponensanalízis lényege?
2. Miben különbözik a faktor- és a főkomponens analízis?
3. Mire használható a diszkriminanciaanalízis?
4. Mi a klaszterelemzés lényege?
131
Irodal omjegyzék
1. Hunyadi L.-Mundruczó Gy.-Vita L.: Statisztika, Aula Kiadó, Budapest, 2000.
2. Kovalcsikné Pintér O.: Az Excel függvényei A-tól Z-ig, Computerbooks,
Budapest, 2004.
3. Köves P.-Párniczky G.: Általános statisztika, Közgazdasági és Jogi
Könyvkiadó, Budapest, 1975.
4. Reidmacher, H.P.: Excel közgazdászoknak: gazdasági feladatok megoldása,
Aula Kiadó, Budapest, 2000.
5. Sváb J.: Többváltozós módszerek a biometriában, Mezőgazdasági Kiadó,
1979.
6. Venables, W.N.-Smith, D.M.: An Introduction to R, 2005, [cran.r-
project.org/doc/manuals/R-intro.pdf]
7. Verzani, J.: SimpleR – Using R for Introductory Statistics, 2001, [cran.r-
project.org/doc/contrib/Verzani-SimpleR.pdf]
8. Vincze I.: Matematikai statisztika ipari alkalmazásokkal, Műszaki
Könyvkiadó, Budapest, 1975.
9. Zoonekynd, V.: Statistics with R, 2005, [http://zoonek2.free.fr/UNIX/48_R/
all.html]
132

2006

2

Tartalomjegyzék
Bevezetés......................................................................................................................1 1 A statisztikai adatfeldolgozás és annak számítógépes támogatási lehetőségei...3 2 Az adatfeldolgozás szakaszai és jellemzői............................................................4 3 Az adatfeldolgozást támogató számítógépes programok.......................................7 4 Az MS Excel alkalmazása statisztikai adatfeldolgozásban...................................8 5 Az R statisztikai programnyelv alkalmazása statisztikai adatfeldolgozásban.....12 6 Főbb eloszlástípusok és ábrázolási lehetőségek...................................................21 7 Egyenletes eloszlás..............................................................................................22 8 Binomiális eloszlás (Bernoulli eloszlás)..............................................................25 9 Poisson-eloszlás...................................................................................................28 10 Exponenciális eloszlás.......................................................................................30 11Normális eloszlás................................................................................................33 12 Ábrázolási lehetőségek......................................................................................37 13 Hisztogramok.................................................................................................39 14 Pont-, vonal-, oszlop- és kördiagramok.........................................................43 15 Boxplot ábrázolás...........................................................................................49 16 Páronkénti ábrázolás......................................................................................54 17 Egyéb ábrázolási technikák............................................................................56 18 Alapstatisztikák....................................................................................................62 19 Helyzeti és számított középértékek....................................................................62 20 Számtani átlag................................................................................................62 21 Harmonikus átlag...........................................................................................64 22 Mértani átlag..................................................................................................64 23 Négyzetes átlag..............................................................................................65 24 Módusz...........................................................................................................66 25 Medián...........................................................................................................66 26 Kvantilisek.....................................................................................................67 27 A szóródás és mérőszámai.................................................................................68 28 A ferdeség (skewness) és a csúcsosság (kurtosis) ............................................69 29 A középértékek és a szóródás kiszámításának lehetőségei az Excelben és az R rendszerben.............................................................................................................71 30 Hipotézistesztelés, alapvető paraméteres és nem-paraméteres statisztikai próbák ................................................................................................................................78 31 A hipotézisvizsgálat menete..........................................................................78 32 u-próba...........................................................................................................79 33 t-próba............................................................................................................81 34 F-próba...........................................................................................................84 35 χ2-próba.........................................................................................................85 36 Mintavételezés, varianciaanalízis.......................................................................90 37 Mintavételi eljárások..........................................................................................90 38 A varianciaanalízis.............................................................................................92 39 Egytényezős varianciaanalízis.......................................................................92 40 Kéttényezős varianciaanalízis........................................................................98

I

.117 47 Többváltozós statisztikai módszerek.........................................................................................................................................................................................................................................................................129 50 Klaszterelemzés.............................................................105 44 Kétváltozós lineáris regresszió.................................................................103 43 Regressziószámítás......................................................................................................................................................................és főkomponensanalízis.................................41 Korreláció és regressziószámítás..............................................................................................................131 Irodalomjegyzék...................................................................................................132 II .......105 45 Többváltozós lineáris regresszió...............................122 48 Faktor....122 49 Diszkriminanciaanalízis................................103 42Korrelációszámítás..................113 46 Idősorok elemzése..

ami azt is megköveteli. A globalizálódó. a döntések megfelelő szintű támogatásához. hogy megalapozott döntéseket lehessen hozni megfelelő számítógépes rendszerek igénybevétele nélkül. A társadalom és a gazdaság szinte minden területén. Magában foglalja a megfigyelések eredményeinek rendszerezését. Az elmúlt néhány évtized alatt a számítástechnika mind a hardver.Bevezetés A társadalmi jelenségek és folyamatok elemzése az objektív valóság megfigyelésén és megértésén alapszik. vagy inkább már a globalizálódott gazdaságban az erősödő verseny egyre inkább előtérbe helyezi a gyors és minőségi vezetői döntéshozatal jelentőségét. Nagyobb vállalatok esetében ma már elképzelhetetlen. 1 . ugyanakkor a megoldandó problémák bonyolultsága és a döntéshez felhasználandó információ mennyisége megnövekedett. az ellentmondások és a fejlődési tendenciák feltárását. a lehető legmagasabb szintű támogatást tudja nyújtani. hogy meg lehet-e oldani az adott problémát számítógéppel. elengedhetetlenül szükség van elemzések végzésére. Ma már inkább azt a kérdést kell előtérbe helyezni. hogy a számítógép a felhasználó által könnyen kezelhető módon. Az elemzés. mint irányítási funkció komplex és rendszeres tevékenységnek tekinthető. a lényeg megállapítását. hogyan oldható meg a probléma úgy. A számítógépes rendszerek csak megfelelő számítógépes és szakmai intelligenciával működtethetők. Ilyen környezetben még inkább növekszik az igény vezetői döntéshozatal számítógépes támogatására. valamint a jelenségek és folyamatok ok-okozati kapcsolatainak tisztázását. A társadalmi és a gazdasági folyamatok felgyorsulása és a reakcióidő lecsökkenése miatt a döntési folyamatra kevesebb idő maradt. mert az esetek többségében erre megvan a lehetőség. mind a szoftver vonatkozásában hatalmas fejlődésen ment keresztül. Ma már általában nem az a kérdés. hogy a szakmai képzés elengedhetetlen részének kell lennie az alapvető számítástechnikai és informatikai intelligencia megszerzésének.

és ezért néha úgy teszünk. hogy a társadalmi és gazdasági jelenségek statisztikai vizsgálata a nem teljes információjú döntések kategóriájába tartozik. illetve új megvilágításba helyezhetnek már feltárt kapcsolatokat. és megkönnyíti a kapott eredmények jobb értelmezését. A módszerek megkövetelte alaposságot azonban sohasem szabad figyelmen kívül hagyni. A bizonytalansággal szembenézni természetesen nem mindig könnyű dolog. faktor-. A statisztika módszertanával minden elemzést végzőnek annak ellenére tisztában kell lennie. valamint a kapott eredmények felhasználásánál erről sohasem szabad megfeledkezni. ugyanakkor a vizsgált jelenség természetének megfelelő módszer és eljárás kiválasztásával és egzakt alkalmazásával a probléma nagyrészt kezelhető. mint elemzési módszerekkel. a gyakorlatban is jól interpretálhatók. hogy a különböző statisztikai módszereket alkalmazva arra kell törekednünk. hogy sok könnyen használható. Tisztában kell lennünk azzal is. a jelenségek ok-okozati kapcsolatainak megmagyarázását. A könyvben. hogy a realitások világa a korlátozások világa. klaszter. és az elemzésnél. A bonyolultabb módszerek (pl. A statisztikai módszertan megismerése hozzájárulhat az egyes számítási eljárások pontosabb használatához. A statisztikai módszerekkel megalapozott döntések azonban csak akkor lesznek helyesek. mert a számítások elvégzése után komoly feladatot jelent a kapott eredmények értelmezése.Ma már egyre több elemzési lehetőséget biztosító szoftver áll rendelkezésre és az elmúlt évtizedekben az elemzési módszerek is hatalmas mértékben fejlődtek. a számításokat támogató program áll rendelkezésre. mintha nem is létezne. 2 . ami azt jelenti. főkomponens-. a statisztika szabályainak megfelelően járunk el. a statisztikai módszerekkel foglalkozunk.és diszkriminancia-elemzés) lehetővé tehetik új összefüggések feltárását megismerését. ha sikerül megtalálni a megfelelő módszert és az alkalmazásánál körültekintően. hogy inkább a gyakorlati szempontokat részesítsük előnyben a módszertani eleganciával szemben. Azt is tudomásul kell vennünk.

vizsgálat eredményeként adódik. Az előzőek alapján az információ tehát adott felhasználási célból rendszerezett és feldolgozott adatot jelent. hogy megfelelő segítséget kapjanak a problémák megoldásához szükséges döntések meghozatalához. rendszerezve és kiértékelve válnak információvá. A mindennapokban egyre több új és reagálásra késztető problémával szembesülünk. az adatok döntéshozatalhoz szükséges információvá alakítására. Az ebbe a körbe tartozó adatok . A statisztika az információ előállításához és bemutatásához biztosít általános módszereket. megfigyelés. Mielőtt a fenti tevékenységekkel foglalkoznánk célszerű megérteni az adat. amelyet állapotnak és államnak is fordíthatunk.kielégítik az informatika általános adatfogalmát. amelyek összegyűjtve.1 A statisztikai adatfeldolgozás és annak számítógépes támogatási lehetőségei A statisztika latin eredetű. Ahogy matematikai statisztikai könyvek gyakran fogalmaznak: a statisztika a véletlen tömegjelenségekkel.hanem több adatként. de annál kicsit szűkebbek. és többnyire azokon a tudományterületeken használható.természetesen .a valós világra vonatkozó . hogy a statisztika által használt adatfogalom mindig valamilyen . amely már közvetlenül felhasználható a döntéshozatalban. az információ és a statisztikai feldolgozás fogalmakat. ezek törvényeivel foglalkozik. és a kapott információ megfelelő formában történő bemutatására. s a legtöbbször számként jelenik meg. a "status" szóból származik. Azt mondhatjuk.kísérlet. méghozzá általában nem is egy számként . A statisztika általában numerikus adatokkal dolgozik. Ez az igény helyez különös hangsúlyt az adatgyűjtésre és az összegyűjtött adatok feldolgozására. a vállalatok és a társadalom széles rétegei több információt igényelnek. mint bármikor ezelőtt. arra utal. Az adatok megfigyeléseket vagy tényeket jelentenek. A kormányok. hogy a statisztika tárgya mindig valamilyen állapot leírására szolgál. majd tudássá. amelyek numerikus adatokból kívánnak 3 .

akkor válik információvá. Napjaink felgyorsult világa. Mindhárom adatgyűjtési módnak vannak előnyei és hátrányai. hátránya a rugalmatlanság és a külső kontroll hiánya. megfelelő teljesítményű számítógépekkel és a feldolgozást magas szinten támogató programokkal jelentős mértékben lerövidíthető. Előnye a pontosság és a részletesség. 2 Az adatfeldolgozás szakaszai és jellemzői A vállalatok és a magánszemélyek adatokat gyűjtenek. és az ehhez társuló lerövidült 4 .információt előállítani. önállóan és egymással összehasonlítva is. és az igényeknek megfelelően bemutatjuk. A folyamat. hogy adatot gyűjtünk megadott jellemzők vonatkozásában egy megadott csoport vagy populáció minden egyes tagjára vonatkozóan. Előnye a pontosság. Az adat feldolgozatlan tény. Az adat információvá válása több lépésen keresztül megy végbe. hogy a teljes csoport vagy populáció helyett. A statisztika tehát hasznos információt állít elő többnyire számok felhasználásával. Az adatgyűjtés ebben az esetben szorosan kapcsolódik a szervezet tevékenységéhez. Az adatgyűjtésnek általában három fő formáját szoktuk megkülönböztetni: összeírás. egyszerűség és az idősoros adat előállás. A mintavétel azt jelenti. A módszer kiválasztása több tényezőtől is függhet. és egyre bonyolultabb módszereket igényelhet. mintavétel és adminisztráció útján. Előnye a gyorsabb és olcsóbb adatgyűjtés. Az adatmennyiség növekedésével a feldolgozási folyamat egyre hosszabbá válik. Az összeírás azt jelenti. annak valamilyen szempont szerint kiválasztott részéről szerzünk be adatokat a megadott jellemzők vonatkozásában. Az adminisztráció útján történő adatgyűjtés a szervezet napi tevékenysége során összegyűjtött adatokat értjük. és ha rendszerezzük. hátránya a magas költség és időigény. hátránya a pontosságban és a részletességben bekövetkező veszteség. mert nekik vagy valaki másnak a döntéshozatalhoz információra van szüksége. amely lépések alkotják az adatfeldolgozási folyamatot.

reakcióidő feltétlenül szükségessé teszi az adatfeldolgozás megfelelő technikai és módszertani támogatását. hogy a nyers adatok számítógépre vitelét és számítógépes feldolgozását könnyebbé tegyük. az adatok szerkesztése. hogy milyen számításokra van szükségünk. Az adatmanipulációhoz szükséges program kiválasztása annak függvénye. az adatokban meglévő problémák kiküszöbölését. érvénytelensége. A szerkesztés és rendszerezés gyorsabbá tehető speciális számítógépes programok segítségével. Az adatok számítógépes feldolgozása – az összegyűjtött adattömeg milyenségének függvényében . A kódolás jelentheti a megfelelő azonosítókkal történő ellátást. illetve milyen outputot szeretnénk előállítani. Az adatfeldolgozási folyamat utolsó lépése a szükséges adatmanipulációk. rendszerezése. illetve számítások elvégzése. Az adatok rögzítése jelentheti az adatok számítógépbe vitelét. Az adatok szerkesztése és rendszerezése jelentheti az adatok ellenőrzését. Mielőtt az adatokat a számítógépbe bevinnénk. az adatok rögzítése. az adatrekordok valamilyen szempontok szerinti rendezését. más adatbázisokból történő kinyerését és adathordozókon a feldolgozó programok által igényelt formában történő tárolását. vagy a rendezéshez szükséges információk megadását. az adatokhoz egységes jellemzők rendelését vagy akár a nem numerikus adatok numerikussá tételét is (pl. az adatokon elvégzett műveletek. szükségessé válhat az adatok kódolása. Az adatok pontatlansága. Minden esetben azt kell 5 . kérdőívek feldolgozása). A megfelelő formában tárolt adatok könnyebbé és gyorsabbá teszik az adatokon elvégzendő manipulációkat. hiányossága az eredmények interpretálási hatékonyságát fogja rontani. az igényelt output előállítása. A kódolásra azért lehet szükség.a következő fázisokat foglalhatja magában: • • • • az adatok kódolása.

Kisebb adatmennyiség és egyszerűbb módszerek esetén jó szolgálatot tehetnek a táblázatkezelő programok. ami a valós világ egy bizonyos objektuma (illetve annak része) és egy szám között áll fenn. hogy az outputot tárolni kell és később más programmal továbbfeldolgozást kell végezni rajta. Amennyiben az adatok között hierarchiát értelmezünk. amikor nem kapcsolódik hozz á számérték (pl. Az előzőek figyelembe vételével használhatunk egyszerűbb és bonyolultabb programokat is. A mérés általánosítva . Fontos szempont lehet az is. Ennek oka egyszerű: nyilvánvaló. mint egy hozzárendelés. az ellenkező lehetőség azonban nem áll fenn. 6 . ha a mérés szerepét egy megállapítás veszi át. Amennyiben az adatunk valamilyen mérés termékeként keletkezik. mint a mérési adatok. hogy mely feldolgozó programok vehetők számításba. vagy szükség lehet olyan outputra. Nagy adatmennyiség feldolgozása esetén szükség lehet az adatok adatbázisban történő tárolására is. Megállapítható adatokhoz úgy juthatunk. Figyelembe véve azt is. akkor belátható. mint a megállapításokkal (kategóriákkal). hogy a megállapítható adatok alacsonyabb rendűek. de nagyobb adattömegek és bonyolultabb számítások esetén célprogramokat célszerű használni. hogy nem minden jelenség mérhető megfelelő szabatossággal.figyelembe venni. hogy azok a döntéshozatalhoz a lehető legkönnyebben felhasználhatóak legyenek. internet). a mérés fogalmát általánosíthatjuk: a mérhető adatok tehát egy olyan skálán helyezkednek el. Ide tartoznak az "igen . hogy a programmal olyan információkat biztosítsunk. Ráadásul a mérhető adatok mindig átalakíthatóak megállapíthatókká.nem"-mel megválaszolható kérdések is. hogy számokkal sokkal egyszerűbb műveleteket végezni. amely lehetővé teszi az információk megfelelő formában történő továbbítását vagy nyilvánosságra hozatalát (pl.: egy adott személy neme). amelyet hasonlónak tekinthetünk valamilyen mérőműszer skálájához. Előfordulhat.nem más. A vizsgálat jellege szerint a statisztika adatainak két nagy fajtáját különböztetjük meg: a mérhető és a megállapítható adatokat. A megállapításban szereplő kategóriákhoz tartozhat számérték. akkor mérhető adatról beszélhetünk. hogy az adott program milyen típusú outputok előállítására képes. de olyan eset is lehetséges. ami meghatározhatja. Az egész adatfeldolgozást a döntéshozatal alá kell rendelni.

a táblázatkezelő programoktól az integrált statisztikai programrendszerekig.3 Az adatfeldolgozást támogató számítógépes programok A vállalkozások napjainkban a kiélezett verseny követelményeinek csak számítógépes adatfeldolgozással tudnak megfelelni. hogy az egyre többet tudó programok egyre bonyolultabbakká válnak. Napjainkban nagyon sok statisztikai számításokra alkalmas program létezik. Általában olyan programokat célszerű beszerezni. A felhasznált számítógépes rendszerek egyre szélesebb szolgáltatásokat nyújtanak a felhasználóknak. Ezen rendszerek használata ugyanakkor a számítástechnikát. A legkönnyebben hozzáférhető program a Microsoft Excel táblázatkezelő programja. amelyek használata rövid idő alatt elsajátítható és a használatuk is viszonylag egyszerű. de az egész rendszer valójában egy integrált 7 . Azt is látnunk kell. így szinte minden számítógépen hozzáférhető. amely része a Microsoft Windows Office-nak. Sok statisztikai elemző program is létezik. és a használt programot megfelelő szinten használni képes felhasználókat igényel. amely ugyan tartalmaz statisztikai alrendszert is. köztük például a következők: Ingyenes programok • • • • • • • • MicrOsiris Scilab OpenStat R Gnumeric Octave ViSta WinIDAMS Kereskedelmi forgalomban beszerezhető programok • • • • • • • Minitab SAS S-plus SPSS STATGRAPHICS Plus STATISTICA XPlore A programok között felsorolásra került a SAS Institute rendszere is. és az áruk is egyre magasabb lesz.

mert azt gondoljuk. A képletekben azonban hivatkozhatunk munkalap tartományokra is (vektor. ingyenesen hozzáférhető és nagyon sok szolgáltatással rendelkezik. a táblázat cellái oszlopokba és sorokba rendeződnek. a másik az R statisztikai programnyelv. illetve más megközelítésben. pontosabban fogalmazva a táblázatok celláiban (a sorok és az oszlopok kereszteződése). 4 Az MS Excel alkalmazása statisztikai adatfeldolgozásban A Microsoft Excel (továbbiakban: Excel) táblázatkezelő szinte minden PC-n megtalálható. és így egyszerűbben részt vehetünk az üzleti folyamatokban. Az első programot azért választottuk. 8 . hogy az szerves része a számítástechnikai alapintelligenciának. A tananyaghoz kapcsolódó példák megoldásához két programot fogunk használni. A munkafüzet a fájl nevét kapja. kommunikációs és megosztási szolgáltatásokat kínál. A táblázatokat sorok és oszlopok alkotják. A munkalapok egy munkafüzetet alkotnak. és ismerete az alapvető elvárások közé tartozik. mezőiben tárolja. amely tartalma egy önálló fájlba menthető. amely nevekre a képletekben hivatkozni is lehet. Az Excel egyszerűbbé teszi a csoportmunkát. Ez a programrendszer nagyon széleskörű szolgáltatásokat biztosít a felhasználók számára. és a munkafüzet összes alkotóeleme ellátható névvel. amelyek segítségével az adatokból információt nyerhetünk. mátrix). de a magas ára (és a rendszer viszonylagos bonyolultsága) nem teszi lehetővé. Az Excel más hasonló táblázatkezelő programokhoz hasonlóan az adatokat táblázatban (munkalapon). hogy a vállalkozások nagy száma használja ezt a rendszert. Az egyik a széles körben elérhető MS Excel táblázatkezelő. ezért a számítógép használók széles köre számára biztosít különböző számítási és jelentéskészítési lehetőséget.üzleti intelligencia rendszerként fogható fel. A második program pedig azért került kiválasztásra. Ezen kívül használható a szabványos XML-formátum is. valamint lehetővé teszi az adatok védelmét és az adatokhoz való hozzáférés szabályozását. mert szinte minden operációs rendszeren működik. Az Excel hatékony elemzési.

A függvényargumentumok helyes megadása esetén. A függvényvarázsló gyorsabbá és kényelmesebbé teszi a függvények megadását és szerkesztését. A számítás folyamatát az Excelben a képletek szintaxisa szabja meg.A képlet egy olyan összefüggés (kifejezés). mert különben hibát követhetünk el. Az Excel több mint 300 beépített függvénnyel rendelkezik. A függvények lehetnek beépítettek és saját fejlesztésűek. cella és tartomány (tömb) hivatkozások is. Az Excel beépített függvényei jól használhatók az üzleti élet különböző területein. A függvények begépelhetők a billentyűzetről vagy megadhatók az „fx” függvényvarázslóval is. a gyakorta előforduló számításokat hajthatjuk végre. Az Excel függvény csoportjai: • • • • • • • • • Adatbázis függvények Dátum és idő függvények Külső függvények (a bővítménykezelő segítségével tölthetők be) Mérnöki függvények Pénzügyi függvények Információs függvények Logikai függvények Kereső és hivatkozási függvények Matematikai és trigonometriai függvények 9 . Az Excel képletekben. és segítséget is biztosít az egyes paraméterek értelmezéséhez. A függvények argumentumaként megadhatók konstans értékek. ábra). a függvényvarázsló alján (Érték:) megjelenik a számított érték is (1. A függvényvarázsló táblázatos formában lehetőséget biztosít a függvény argumentumainak (paramétereinek) a megadására. amely ugyanazon vagy más munkalapokon lévő adatokat használ fel különböző számítások. A képletek megadásához szükségünk van azok szintaxisának az ismeretére is. műveletek elvégzéséhez. A képletek begépelését az „=” vagy a „+” jellel kell kezdenünk. A függvények segítségével egyszerű és összetett számításokat is végezhetünk. Az Excel beépített függvényeivel a munka. A szintaxis egy programnyelv használatára vonatkozó szabályok összessége. kifejezésekben függvényeket is használhatunk.és makrólapokon.

Ha a függvény a képlet elején szerepel. A függvény leírásakor a karakterek sorrendjét (leírási szabályait) a függvény szintaxisának nevezzük. A függvényeket a munkalap képleteiben használhatjuk. Ha nem tartjuk be az előírt szintaxist.• • Statisztikai függvények Szöveg és adat függvények 1. ábra A függvényvarázsló használata Azokat az értékeket. amely a képletben lévő hibára hívja fel a figyelmet. akkor eléje egyenlőségjelet kell 10 . az Excel hibaüzenetet jelenít meg. a függvényből visszakapott értékeket pedig eredménynek nevezzük. amelyeket a függvényeknek adunk a műveletek végrehajtásához. Az összes függvényt azonos szabályok szerint kell leírni. a függvény argumentumainak.

Ha argumentumként képletet használunk. ebben szerepelhetnek további függvények is. Az Excel képleteiben legfeljebb hét szint mélységig ágyazhatunk egymásba függvényeket. A függvények egyik csoportja a statisztikai elemzésekhez biztosít különböző eljárásokat. Ha egy függvény argumentuma maga is függvény. A zárójeleket párosával kell használni. azaz bármi. és az Eszközök menü Adatelemzés almenüjében is találhatók különböző összetettebb statisztikai elemzési (modellezési) lehetőségek: • • • • • • • • • • • • • • • Egytényezős varianciaanalízis Kéttényezős varianciaanalízis ismétlésekkel és ismétlések nélkül Korreláció. A zárójelek az argumentum sorozat kezdetét és végét jelzik az Excelnek. logikai érték. és sem előttük.írni. Az argumentum szám. Az argumentumokat a zárójelek között kell megadni. szöveg. Az argumentumok állandók vagy képletek is lehetnek. tömb. hibaérték vagy hivatkozás lehet.és kovariancia analízis Leíró statisztikák Exponenciális simítás Kétmintás F-próba a szórásnégyzetre Fourier-analízis Mozgóátlag Véletlenszám generálás Rangsor és százalékos rangsor Regresszió Mintavétel Kétmintás párosított t-próba a várható értékekre Kétmintás t-próba egyenlő és nem-egyenlő szórásnégyzeteknél Kétmintás z-próba a várható értékekre 11 . amely(ek) a számítások végrehajtásához nem feltétlenül szükségesek (opcionális argumentum). azt beágyazott függvénynek nevezzük. sem utánuk nem állhat szóköz. Több függvényhez megadhatunk olyan argumentumo(ka)t is. ami az argumentumban megkívánt típusú értéket adja.

Az R rendszer könnyen bővíthető. osztályozások. beépített help (segítség) rendszerrel rendelkezik. Az R amellett. mégis nagyon sokféle feladat megoldására alkalmas. hogy könnyű hozzáférni.) nem igényel programozási ismertet.: Rcmdr.r-project. függvények használatát. Használata egyszerű. idősor elemzések. ábra). 1 2 A program és az alapvető dokumentációk letölthetők a http://www. Programozásra csak akkor van szükség.1 Az R nyelv szinte minden operációs rendszer alatt működik. szabad fejlesztésű változata. stb. használata viszonylag könnyen megtanulható és a táblázatos forma lehetővé teszi az adatok könnyű áttekintését és kezelését. ábra). lényegében egy könnyen megtanulható és használható programnyelv is. klasszikus statisztikai tesztek.org/ honlapról. 5 Az R statisztikai programnyelv alkalmazása statisztikai adatfeldolgozásban Az R statisztikai programnyelv az S-plus (Bell Laboratories) kereskedelmi forgalmazású statisztikai programnyelv ingyenes.statistiklabor. vagy a meglévők valamelyikét át szeretnénk alakítani. 12 . JGR. de ma már léteznek olyan fejlesztések is. illetve lehetőségünk van különböző táblázatokban történő megjelentetésükre is. Fontos megjegyezni. ha a rendelkezésre álló csomagok között nem találjuk a számunkra szükségeset. hogy a statisztikai elemzések széles körének elvégzése (lineáris és nem-lineáris modellezés. A program letölthető a http://www. Az elemzési lehetőségeken túl az Excel különböző adatbeviteli lehetőségeket biztosít a billentyűzeten keresztüli beviteltől az adatbázisokból történő adat kinyerésig.de/en/ honlapról. illetve az elemzés eredményeit sokféle formában ábrázolhatjuk is. amelyek lehetővé teszik a program elfogadható szintű grafikus felületen történő használatát is (pl.Az MS Excel előnye. Statistical Lab2) (3. Az R rendszer egy programnyelv és egy környezet statisztikai feladatok megoldására és ábrázolására. ami nagymértékben megkönnyíti az egyes parancsok. Mindezeken túl adatainkat. hogy lehetővé teszi különböző statisztikai feladatok megoldását. A nyelv kiváló. A nyelv alapváltozata párbeszédes üzemmódban script-ek megadásával használható (2.

Az alap adatstruktúra a vektor. és műveleteket is alapvetően vektorokkal végez. számítási és grafikus megjelenítési lehetőségekkel.Az R környezet egy integrált szoftver eszköz adatmanipulációs. illetve web-es felületeken. Az R nyelv alapértelmezésben minden megadott adatot vektornak tekint. ábra Az R nyelv script üzemmódú működési felülete Az R nyelv különböző adatstruktúrákon képes műveletet végezni. amely tartalmazza a hagyományos programozási elemeket is. az adatelemzés grafikus megjelenítési lehetőségei képernyőn. nyomtatott formában. Mivel a statisztikai elemzésben általában nem egyedi 13 . széleskörű. koherens. amelyek magukban foglalják a következőket: • • • • • hatékony adatkezelési és tárolási lehetőség. 2. integrált adatelemzési eszközök. tömbökön számításokat végző operátorok. magas szintű. A megadott változók is alapértelmezésben vektorok. mégis egyszerű és hatékony programozási nyelv.

4. A számítás során a két vektor megfelelő elemei szorzódnak össze. amely után lehet az utasításokat begépelni.4.adatokkal.8. 2. 6. hanem adatsorokkal dolgozunk.5. 5. 3. Például. 3. 4. ábra A Statistical Lab induló felülete >3 x = c(1. ezért ez a működési mód lehetővé teszi a gyors és egyszerű munkavégzést. ábra). 4. akkor azt a következőképpen tehetjük: 3. 14 . 5. és minden elemhez hozzáadásra kerül 1 (4. ha az alábbi adatokkal a megadott összefüggést szeretnénk kiszámolni.6. 6) > y = c(2.1) >z= x*y+1 Eredményül a z vektort kapjuk. 3 A ’>’ szimbólum a prompt jel. 3.

illetve magunk is írhatunk függvényeket. függvényeket használjuk. ahol a különböző oszlopok eltérő típusokat is jelenthetnek. hogy a vektorokra a megszokott műveleti jeleket. ahol a vektorok különböző szintjei alakíthatók ki. ciklusutasítások használatát. A mátrixok esetében lehetőség van a lineáris algebrában megszokott mátrix műveletek elvégzésére is. A data frame lényegében egy általánosított mátrix. 1. a factor-ok. ami jól használható különböző kategóriák megjelenítéséhez. Így lényegében táblázatokat tudunk létrehozni. A factor a vektor egy speciális formája. feladat 4 5 A vektorokra alapozott műveletvégzés. a listák.4 A vektorok nemcsak numerikus értékeket. programozás esetén. de egy adott oszlopnak ugyanazt a típust kell tartalmaznia. A létrehozott struktúrákkal szintén képes műveleteket végezni az R nyelv. ami leegyszerűsíti a különböző statisztikai számítások elvégzését. Az argumentumok tipusa tetszőleges lehet. amelyek más műveletekben felhasználhatók. A data frame lényegében adatoszlopok listájának is tekinthető. Ezen adatstruktúrák létrehozása különböző függvények segítségével lehetséges. ami jelentős mértékben megkönnyíti a programozást. Ilyen adatstruktúrák lehetnek a mátrixok (tömbök). 15 . 5 4. A ’c’ függvény az argumentumait egy vektorrá vagy listává konvertálja.A nyelv lehetővé teszi. mind a modellezésben és mind az ábrázolásokban. esetleg a későbbi felhasználáshoz tárolhatók is. és a számításokban ezekkel a nevekkel hivatkozhatunk is az adott oszlopra vagy sorra. ábra Műveletvégzés az R rendszerben Az R nyelv más adatstruktúrákat is tud létrehozni és azokon műveleteket végezni. az esetek többségében feleslegessé teszi az ún. hanem logikai és karakter értékeket is tartalmazhatnak. a data frameek. A data frame oszlopainak és sorainak neveket is adhatunk.

magasság. és a ’+’ szimbólum a folytató sort jelenti. 179) > nem = c(’N’. ”Személy_9”. 180. 68. A szórás képlete: SD( x) = ∑( x − x ) n 2 i =1 i n−1 A függvény létrehozása a képlet alapján az R nyelvben: 6 7 Ha egy utasítás nem fér el egy sorban. 162. ’N’. az adatokból a következő lépésekben lehet data frame-et létrehozni (eredmény . 148. ’F’. ábra). 76. ”Személy_4”. ”Személy_8”. +6 ”Személy_5”. 65. ábra): > súly = c(55. A változó nevének beírása és Enter után kiírásra kerül a változó tartalma. 85) > magasság = c(151. 160. F – férfi).frame(személyek. 178. ’F’. ’F’) > személyek = c(”Személy_1”. ”Személy_6”. amely a szórást (standard eltérést) számítja ki (6. feladat: Hozzunk létre egy függvényt. 164. súly. ’N’. 70. 2. 52. nem. 80. amint azt később a konkrét statisztikai alkalmazásoknál látni is fogjuk. akkor több sorban is megadható.names=”személyek”) > vizsgálat 7 Az előzőekben említett adatstruktúráknak nemcsak a programozásban van szerepük. 166. ’F’. 61. Változónévként lehet ékezetes betűket is használni. + ”Személy_10”) > vizsgálat = data.Data frame példa: 10 embertől megkérdezték a súlyát és a magasságát és feljegyezték a nemüket (N – nő. + row. ”Személy_3”. ’N’. hanem a már kész statisztikai eljárások használatát is jelentős mértékben megkönnyítik. ’N’. 57. 180. ”Személy_7”. ”Személy_2”.5. ’F’. 16 .

Vihetünk be adatokat billentyűzetről. olvashatunk be file-okból vagy akár az 8 9 A függvény létrehozását a képlet elemeihez ragaszkodva oldottam meg. és az utána lévő zárójelben kell megadni a függvény attribútumait9. ha az attributum hiányzik. Ilyenkor. Az egyenlőségjel jobb oldalán található függvényt a „function” utasítással kell kezdeni.std = function(x) sqrt(sum((x . akkor a megadott értékkel számol a program. ábra A „data frame” példa eredménye Az egyenlőségjel bal oldalán található „std” a függvény neve. A valóságban ez az eljárás egyszerűbben is létrehozható (és az igazat megvallva a függvény ’sd’ néven létezik is az R-ben): std = function(x) sqrt(var(x)) Lehetőség van az attributumoknak kezdő érték megadására is.1))8 5. A függvény beépített függvényeket is meghív: • • • • sqrt sum mean length négyzetgyökvonás összegzés átlagszámítás a vektor hossza A R statisztikai programnyelv többféle adatbeolvasási lehetőséggel is rendelkezik. 17 .mean(x))^2) / (length(x) .

kereskedési mennyiségét és értékét tartalmazza. SAS.econ. a statisztikai ábrák széles körét képes létrehozni. Web oldalról a következőképpen olvashatunk be adatokat (jelen esetben egy data frame-et): xx = read. az EGIS és a BCHEM részvények záróárfolyamát. illetve adatokat vehetünk át más rendszerekből is (pl.hu/tarnoczi/buscalc/stocks. és az R rendszer az utasítások végrehajtásának eredményét visszaküldi a hívó rendszernek. A rendszer azt is biztosítja. akkor az oszlop elnevezésekre. Pl. Ha a beolvasott ’data frame’-et hozzárendeljük a rendszerhez (attach). Az R rendszerhez tartozó R(D)COM szerver lehetőséget biztosít standard alkalmazásokkal történő összekapcsolódáshoz is. Lehetőségünk van különböző formátumban megadott adatok beolvasására is. illetve ilyen adatbázisokba vigyünk be adatokat.txt") 6.unideb. ábra Függvény létrehozása az R rendszerben Az utasítás a honlapról egy táblázatot olvas be. de lehetőség van a felhasználó általi új ábrázolási módok kialakítására is. Egy statisztikai programrendszer használatához elengedhetetlenül szükséges az ábrázolási lehetőségek biztosítása. hogy különböző adatbázis-kezelő rendszerek által létrehozott adatbázisokból nyerjünk ki adatokat.: az 18 . Ami azt jelenti. Az R nyelv nagyon magas szintű ábrázolási lehetőségeket biztosít.). A rendszer nagyon lényeges szolgáltatása több.: Excel. ábrának egy keretben történő elhelyezése. SPSS. amely a BUX indexet.table(http://www. mint változókra hivatkozhatunk is. stb. esetleg különböző típusú.internetről is. az OTP. hogy az adott rendszerből adatokat és utasításokat küldhetünk az R rendszerbe.

és lehetőség van a meglévő eljárás csomagokhoz megfelelő input és output felületet elkészíteni. Ez a megoldás kibővíti mind az Excel. hogy különböző grafikus programozási lehetőségek is beépítésre kerültek (Tcl/Tk. ábra Az Rexcel. és az Excelbe felvitt adatokat. de a Tcl/Tk nyelv grafikus utasításai viszonylag könnyen megtanulhatók. és alkalmazhatók.xla Excel bővítmény segítségével a Microsoft Excelből is adhatók át adatok és hívhatók meg R utasítások a 7. ábrán látható menürendszer felhasználásával. Jól ki lehet használni az R által biztosított szélesebb körű ábrázolási lehetőségeket.xla által biztosított menü az R rendszer használatához Ellenőrző kérdések: 1. mind az R rendszer lehetőségeit. Az R rendszer további lehetőségei.RExcel. és az ott meglévő csomagok segítségével alaposabb elemzéseket is végezhetünk. Java). Igaz. ez már komolyabb programozási feladatot jelent. elvégzett számítások eredményeit átadhatjuk az R rendszernek. 7. Mi a statisztikai adatfogalom? 19 .

Hogyan foglalhatók össze az R rendszer főbb előnyei? 20 . Az R statisztikai programnyelv (rendszer) jellemzői? 9.2. Milyen módjai vannak az adatgyűjtésnek? 3. Mi a függvényvarázsló szerepe az MS Excelben? 8. Melyek a számítógépes-adatfeldolgozás szakaszai? 5. Melyek a statisztikai adatok fő fajtái. Melyek az Microsoft Excel főbb jellemzői? 7. és mi jellemzi azokat? 6. Mit jelent az adat információvá válása? 4.

hogy bizonyos jelenségek rendszerint meghatározott eloszlást követnek.ELOSZLÁS). addig az R rendszerben minden eloszlástípushoz négy függvény található. illetve bizonyos vizsgálatok elvégzéséhez szükségünk lehet valamilyen ismert eloszlást követő véletlen számok előállítására.6 Főbb eloszlá stípusok és ábrázolási lehetőségek A valószínűségi eloszlások alapkoncepciónak tekinthetők és a statisztikai a vizsgálatokban. amelyeket például a túlélési modellekhez javasolnak. hogy az előzőeket megtehessük. A főbb eloszlástípusokkal történő számítások mind az Excelben. Azok a főbb eloszlástípusok. Azok a változók. Fontos lehet az a kísérlet vagy adatgyűjtés során létrejött adatsorok tesztelése előtt azok eloszlásának meghatározása is. az exponenciális és a Weibull-eloszlások. következtetését erre alapozza. hogy adattömegünk eloszlása milyen formát követ. Előrejelzési célból is szükséges lehet annak megismerése.: BINOM. 21 . A különbség abban jelentkezik. szükségünk van az elméleti eloszlástípusok alapvető jellemzőinek és tulajdonságainak a megismerésére. amelyeknek az értékei rendkívül ritka események eredményei általában Poisson-eloszlást követnek. A fejezetben leírtak megértéséhez az alapvető valószínűségszámítási ismeretek meglétét feltételezzük. tulajdonságaik felderítésével megismerésével valószínűségszámítás foglalkozik. Ahhoz. például: dbinom – sűrűségfüggvény: általában a sűrűségfüggvény megrajzolásához használják. mind az R nyelvben megtalálhatóak. A matematikai statisztika minden megállapítását. azok a változók. Melyik eloszlást használjuk? Tudnunk kell. amelyek mind elméleti mind gyakorlati szinten használunk. Különböző kutatásokból nyert adatok kiértékeléséhez kapcsolódóan szükségessé válhat hipotézisek megfogalmazása a vizsgálatba bevont változók eloszlásának a meghatározásához. amelyekhez független véletlen események végtelen sorozata tartozik általában normális eloszlást követnek. Például. Az eloszlások típusaival. hogy az Excelben csak az eloszlások valószínűségértékének és sűrűségfüggvényének a kiszámítását biztosító függvények találhatók • (pl.

osztályok számának reciprokával egyenlő: a "férfi-nő".167 = 16. A diszkrét egyenletes-eloszlás bemutatását elsősorban az indokolja. ezért bonyolultabban számítható várható értékét és szórását nem adjuk meg. s ezért egyketted. Ez a lehető legegyszerűbb eset. b] tartományba esnek.7 %). a központi határeloszlás tétele levezetését ennek segítségével szoktuk szemléltetni. mint x.5 (50 %) a relatív gyakoriság. hogy melyik érték felel meg az adott valószínűségnek. hogy a véletlen változó kisebb. 2. 22 . 0. hogy mennyi annak a valószínűsége.• • • pbinom – eloszlásfüggvény: arra ad választ. azaz 0. A relatív gyakoriság a különböző kategóriák. rbinom – véletlen számok generálása (egyszerre több véletlen számot is generál és egy vektorba helyezi azokat) Ebben a fejezetben a nevezetesebb eloszlástípusok és azok főbb jellemzői kerülnek bemutatásra. A diszkrét egyenletes eloszlás gyakorlati előfordulása viszonylag ritka. Az előzőekből is következően. valamennyi értékhez ugyanakkora gyakoriság tartozik. zöld. ha 1 f ( x) = .b) eloszlású). b− a Az egyenletes eloszlást a gyakorlatban igen ritkán alkalmazzuk.b) intervallumon (a<b) (jele: X U(a. ahol az ’a’ és a ’b’ értéke a probléma függvénye. a közlekedési lámpa fénye (vörös. 1.33 = 33 %). 7 Egyenletes eloszlás A diszkrét eloszlások közül az egyik legfontosabb az ún. X egyenletes eloszlású az (a. sárga. illetve "fej vagy írás" esetében két osztály van. egyenletes-eloszlás. az egyenletes eloszlás értékei egy adott [a. 0. és arra ad választ. qbinom – kvantilis függvény: a p… függvény inverze. a dobókockánál egyhatod (0. jelentősége csekély. hogy az egyik legfontosabb valószínűségszámítási tétel. ha a<x<b és f(x) = 0 egyébként. vagy a lottóhúzás.

írás 12 A 3. 20. 13 Az argumentumaiból karakter sztringet hoz létre. ”ász”).b. Ha több soros eredményt kapunk.”Í”). 4))14 > sample(kártya. ”Í” . 10. ”tök”. feladat • dobjunk 10-szer egy kockával > sample(1:6. 3. 14 A ’rep’ a megadott számnak (4) megfelelően többszörözi a megadott adatsorozatot. amely az ismételhetőségre vonatkozik. hogy megadott intervallumba eső véletlen számokat állítsunk elő. ”zöld”. ”makk”). és a rész sztrigeket összefűzí. TRUE) [1] "Í" "Í" "F" "F" "Í" "Í" "Í" "Í" "F" "F" "Í" "Í" "Í" "F" "F" "Í" "F" "F" "F" [20] "F" 11 • állítsunk elő 5 számot az ötös lottóhoz > sample(1:90. Az R rendszer a (d. 11 ”F” – fej.Az Excel nem biztosít igazán jó lehetőséget az egyenletes eloszlású értékek előállítására. ”alsó”. + rep(c(7:10. 8) [1] "makk ász" "tök 8" [6] "piros 7" "tök felső" "piros alsó" "tök felső" "zöld király" "piros alsó" 10 Az eredménysor elején lévő szám ’[1]’ a vektor indexére utal. hogy nincsen ismétlés.q. ugyan a RANDBETWEEN függvény lehetővé teszi. replace=TRUE) [1] 6 1 4 2 5 4 1 6 1 1 10 • dobjunk 20-szor egy pénzérmével > sample(c(”F”. 23 . ”király”. paramétert. használnunk kell a paste13 utasítást is) > kártya = paste(c(”piros”. akkor soronként az előző sor elemszámának figyelembe vételével folytatódik a számozás.r)unif függvénnyel lehetővé teszi az eloszlással való számolást. illetve ismétlés nélküli formában. amelyet használhatunk ismétléses. mert az alapértelmezés. ”felső”. 5) 12 [1] 17 7 69 66 47 • a magyar kártya lapjaiból válasszunk ki 8-at (ez már egy kicsit összetettebb feladat. Még jobb lehetőséget biztosít a sample függvény.

0. illetve az x tengelyek elnevezése 16 A megadott függvényhez vagy kifejezéshez kapcsolódó görbe megrajzolása. 1).4. probability=TRUE.1] egyenletes eloszlás”. feladat Állítsunk elő 1000 darab 0 és 1 közötti egyenletes eloszlású véletlen számot és a kapott értékeket és ábrázoljuk hisztogrammal (8. col=gray(0. ylab=”sűrűség”)15 > curve(dunif(x. xlab – az y. > x = runif(1000) > hist(x. 24 . + main=”[0. ábra 1000 darab egyenletes eloszlású véletlen szám 15 probability = TRUE – a hisztogram gyakoriságokat ábrázol col – az oszlopokat kitöltő szín main – a hisztogram címe ylab. ábra). add=T)16 8.8).

azaz a teljes kifejezés azt jelenti. Abban a . Ilyenek lehetnek például orvosi kísérletek. hogy a vizsgált populáció egyedeinek egyik hányada megadott tulajdonságú. A vizsgálatban az 1-es számjegy jelenti a férfiakat. A két kimenetű események a 0 és az 1 számjegyekkel kódolhatók. a p minden próbálkozás esetén ugyanaz. A binomiális kísérletek esetében fontos feltételezés. hogyan alakul az eseményben résztvevő férfiak személyek aránya. A sikeresség valószínűsége p-vel jelölhető.esetben. a sikerek száma segít ismereteket szerezni a sikeresség valószínűségéről. minőség ellenőrzések. Például. akkor az értékek eloszlása binomiális eloszlást határoz meg. és 25 . Az ilyen jellegű jelenségek jellemzője. A statisztikusok gyakran vizsgálnak olyan típusú jelenségeket. Az előzőek így a következőképpen is leírhatók: X ~ Binominális(N. p) paraméterű binomiális eloszlás. sok ismétlődés figyelhető meg. hogy az N előre rögzített. ha a változó csak két értéket vehet föl hasonlóan a logikai értékekhez -. Egy ilyen populációból vett mintában a sikeres találatok száma X (az 1-es számmal kódoltak). A két kimenetű (dichotóm) jelenséghez kapcsolódó kísérleteket N-szer elvégezve (N próbát téve). a 0 pedig a nőket. toxicitási tesztek. p) Ahol a „~” jel „eloszlású”-ként olvasható.legegyszerűbb .8 Binomiális eloszlás (Bernoulli eloszlás) A diszkrét eloszlások nagyon sok esetben. A kísérletben P(X) annak a valószínűsége. hogy az X egy (N. A binomiális kísérletek nagyon elterjedtek. megállapítható változók viselkedését írják le jól. egy adott eseményhez kapcsolódó személyekből (populációból) mintát veszünk (N) és megvizsgáljuk. amelyekben – – – – egy megismételhető esemény sikeres vagy sikertelen kimenetelű. ökológiai kísérletek. hogy az egyik alternatíva k-szor bekövetkezik. a siker és a sikertelenség megszámlálható. az egyik alternatíva bekövetkezéseinek a száma (X) binomiális eloszlást követ.

Ez a valószínűség a következő egyenlőséggel adható meg: N! k P[ X = ]= k * p * ( −p N −k 1 ) k (N − ) ! k! vagy egyszerűen N  k P[ X =k] =  * p * (1− N −k ) k   ahol Nkpa minta mérete (próbálkozások száma) a megfigyelések száma az 1-gyel kódolt megfigyelések arány Az eloszlás általános statisztikai jellemző Átlag N*p Terjedelem 0 . Amikor binomiális kísérletet hajtunk végre..bármely próba kimenete nem befolyásolja a többi próbák kimeneteit. akkor azt mondjuk. és így írjuk: X ~ Bernoulli(p) Az egyedi próbálkozásokat egy binomiális kísérletben Bernoulli-próbálkozásoknak nevezzük. Ha N = 1. hogy az X Bernoulli(p) eloszlást követ. N Szórás N * * ( −p p 1 ) Relatív szórás ( −p 1 ) N* p 26 . azaz a P[X = k]-t a k valamennyi 0 és N közötti értékére. az X egy 0 és N közötti egész értéket vesz fel. és tudnunk kell a hozzákapcsolódó valószínűséget.

5. egyébként a sűrűségfüggvényét (amely a sikeresek valószínűsége). A megoldás a függvényvarázslóban található és értéke: 0.05 Excel megoldás: k=1 N = 20 Az „Eloszlásfv” attribútum a függvény fajtáját megadó logikai érték: ha IGAZ. 0.05) [1] 0.377353603 Megoldás az R rendszerben: > dbinom(1.ELOSZLÁS az eloszlásfüggvény értékét számítja ki (amely annak a valószínűsége. hogy csak a sikeresek sikeresek). 20.3773536 27 . a BINOM. feladat Mekkora valószínűséggel találunk egy 5 %-os selejtaránnyal jellemezhető tömeggyártásból kivett 20 elemű véletlen mintában 1 db selejtes terméket? p = 0.

rendszerint egy terület vagy egy időblokk. Az ad neki ekkora jelentőséget. amely megfigyelési típusok a következő helyzetekben fordulnak elő: • egy vizsgálat tárgyköre. de ostoba dolog lenne azt gondolni. hogy a gyógykezelés 75 %-ban eredményes. valószínűség. 3. 2. amelyek az első oszlopban találhatók: 9 Poisson-eloszlás A diszkrét eloszlások közül legfontosabb a Poisson-eloszlás . 4) > valószínűség = dbinom(sikeresség. hogy minden 4 páciensből 3 mindig reagál a kezelésre. mégpedig binomiális eloszlásnak megfelelően. feladat Tételezzük fel. A Poisson-eloszlás a diszkrét binomiális eseményekhez kapcsolódó eseményeket írja le.frame(sikeresség. A reagáló páciensek száma próbálkozásról próbálkozásra változni fog. A kezelést 4 páciens esetében alkalmazzák. row. 4. 0.6. 28 .75) > data.amely a binomiális eloszlás határesetként (bizonyos feltételek mellett) valósulhat meg. hogy igen gyakran lép fel a természetben és jó közelítését adja a gyakorlatban előforduló véletlen változónak.names="sikeresség") Eredmény a különböző sikerességi értékek esetén. Átlagosan 4 páciensből 3 reagál a kezelésre. 1. > sikeresség = c(0.

és a hozzákapcsolódó valószínűség a következő egyenlettel adható meg: 29 . stb.). és a jelenség a következőképpen is leírható: X ~Poisson(λ) Fontos követelmény a Poisson-típusú vizsgálatokkal. Ilyenek esetek fordulhatnak elő például ökológiai vizsgálatoknál. amelyek látszólag véletlenszerűen keletkeznek az adott tartományban. Amikor egy Poisson-kísérlet kerül megfigyelésre. az X egy nem-negatív egész számmá változik. a ritkán. mert az. hogy X hallgató fog kimaradni egy megadott időszakban Poisson-eloszlással írható le. valamint az események felmerülésének aránya a vizsgálati területen nem változik. Például. az iskolában a tanulók vagy jelen vannak vagy nincsenek.: üzletben. létezik egy alaparány. okmányirodában. Annak az esélye. bekövetkező események előfordulási számának a valószínűségi eloszlása. genetikai kutatásokban. Azt az arányt. amelyen az események előfordulnak rendszerint λ-val jelölik. hogy a két esemény nem fordulhat elő egyszerre pontosan ugyanazon a helyen és időben. Minden egyes hallgató lehet kimaradó vagy nem kimaradó „állapotban”. amelyen az események előfordulnak. hogy az összes tanuló hiányzik elég kicsi. számítógép programozásnál. de nagyon nagy valószínűséggel. A hallgató kimaradásának a valószínűsége rendszerint elég kicsi. hogy az l1 helyen előforduló esemény nincsen hatással bármely más l2 helyen előforduló eseményre. hogy X számú gyerek hiányzik az iskolából az iskola méretével (n) növekszik. Egy másik példa lehet a hallgatók lemorzsolódása (kimaradása). Annak a valószínűsége. közlekedési vizsgálatokban és a vevők kiszolgálásánál (pl. minőség ellenőrzések esetében. bankban. A Poisson-eloszlást szokták a kis számok „törvényének” is nevezni. Annak a valószínűsége. a vizsgálati területen előforduló események számát pedig X-szel.• • események.

8187308 10 Exponenciális eloszlás Az exponenciális eloszlást olyan Poisson-folyamatok modellezésére használhatjuk. +∞ Szórás λ Relatív szórás 1 λ 7. Tehát az exponenciális eloszlás egy folyamatosan zajló folyamat állapotváltozási idejét írja le.P[ X =k] = k λ * e−λ k ! A statisztika egyik alapvető témája az a mennyiségi (kvantitatív) vizsgálati mód. Az exponenciális eloszlás függvénnyel az események 30 . egy λ paraméterű exponenciális véletlen változóval írható le. amelyeknél egy kezdetben az A állapotban lévő objektum. a B állapotba tud elmozdulni.818730753 R rendszer: > dpois(0. hogy a tanulmányozott jelenségről ismereteket szerezzünk (pl. hogy a készülék 200 működési óra alatt nem romlik el! Excel: =POISSON(0. λ időegységenként konstans valószínűséggel. amely lehetőséget biztosít számunkra. Az időegység. Határozzuk meg annak a valószínűségét. 200 * 10 / 10000) [1] 0.HAMIS) 0. Az eloszlás általános statisztikai jellemző Átlag Λ Terjedelem 0 .. feladat Egy készülék meghibásodásainak átlagos száma 10000 működési óra alatt 10.200*10/10000.: egy Poisson-eloszlás λ arányáról). amely alatt az állapot aktuálisan megváltozik.

az idő. hogy a hívások. A valós világban a konstans arányú (vagy egység időnkénti valószínűség) megközelítés ritkán kielégítő. az exponenciális eloszlás szerint alakuló élettartam átlaga 2500. az időtáv az utcai gyilkosságok között egy adott utcán.között eltelt idő modellezhető (például. a bejövő telefonhívások napszakonkénti aránya különbözik. Az előző értékek 31 . a távolság egy DNA szálon bekövetkezett mutációk között. amíg a következő autóbaleset bekövetkezik. Az exponenciális eloszlás használható a következő esetekben is: az idő. azaz X ~Exponenciális(λ) Az eloszlás általános statisztikai jellemző Átlag Λ Terjedelem 0 . akkor már egy nagyjából konstans arányt találhatunk. amint az X növekszik. feladat Egy villanyégő átlagos élettartama 2500 óra. ami ahhoz szükséges. stb. az idő és a távolság többnyire rövid lesz és csak kevés esetben hosszú. hogy tizenegyszer dobjunk 6-ost egymás után. Például. Az eloszlás paramétere 1/átlag. de ha kijelölünk egy időintervallumot. Ezekben az esetekben lehet hasznos az exponenciális sűrűség p x) = ( − 1 *eλ λ x x> 0 Az X egy paraméterű exponenciális eloszlást követ. a kockadobások száma. Így a sűrűség X = 0 közelében lesz nagy és csökken. Ezekben a példákban az várható. amíg egy nagy meteor becsapódás tömegpusztító eseményt okoz. az idő. amíg a radioaktív részecske lebomlik.. és az exponenciális eloszlás az idő jó becslő modelljeként használható a következő telefonhívások beérkezéséhez. +∞ Szórás λ Relatív szórás 1 8. egy bankjegykiadó automata a kéréstől számítva mennyi idő múlva adja ki a pénzt).

probability=TRUE.9). col=gray(0. > x = rexp(100. 1/2500).figyelembe vételével készítsünk egy hisztogramot 100 véletlen szám generálásával (9. ylab=”sűrűség”) > curve(dexp(x. + main=”Exponenciális eloszlás”. 1/2500) > hist(x. ábra Véletlenszerű exponenciális adatok 32 . ábra). add=T) 9.

vagy lapultabb. a statisztikai modellekben. a központi határeloszlás tétele következtében. A grafikon. A normál eloszlás. mint a kvantitatív jelenségek modellezési módszere alapvető fontossággal bír a természet33 . a csúcsa lekerekített . hogy sem rajzolni nem lehet. A normális eloszlás folytonos. mint például a lineáris és a nem-lineáris regresszió esetében. szimmetrikus eloszlástípus. sem hegyes nem lehet. 10. de a maximumához viszonylag közel már annyira megközelíti az x tengelyt. ábra). hogy a normál eloszlás a klasszikus statisztikai elmélet gerince. sem számításba venni nem kell. a normális eloszlást használjuk több hipotézis teszt és a konfidencia intervallum meghatározása esetében a szignifikancia szint megkereséséhez. azt feltételezzük. vagy Gauss-görbének is szokták nevezni (10. Kétoldalt messze (elvileg végtelen messze) elnyúlik. a függvény görbéje haranghoz hasonlít. Mindezek miatt "harang-görbének". hogy a hiba normális eloszlást követ. hogy az adatok normális eloszlást követnek. ábra A normális eloszlás sűrűségfüggvénye és a paraméterek jelentése Azt is szokták mondani. a függőleges y tengelyt is metszheti. mert • • • több hagyományos statisztikai teszt azon a feltételezésen alapszik.sem lapos.11Normális eloszlás Mind elméleti mind gyakorlati szempontból valószínűleg a normális eloszlás a legfontosabb eloszlás típus a statisztikában. Jellegén belül formája nagyon változatos lehet: kiemelkedőbb.

A normális eloszlás függvény − * 1 P )= (Y *e 2  2 π* σ * 1  Y −μ   σ  2 A normális eloszlás speciális esete a standard normális eloszlás. x2. azaz X ~Normál(μ. standard normális eloszlásúak lesznek. Minden ilyen esetben a véletlen változó várhatóan rendelkezik egy központi értékkel. és ahogy távolodunk a központi értéktől. A természettudományokban a jelenségek többsége jól közelíthető a normál eloszlással. σ) eloszlású populációból származik. Az Y μ átlagú és σ szórású normál eloszlást követ. egyre kevesebb és kevesebb megfigyelést találhatunk. σ) normális eloszlású. amely körül a megfigyelések többsége csoportosul. Ebben az esetben az eloszlásfüggvény − 1 P )= (Y *e 2 2* π Y2 Ha az X valószínűségi változó N(μ. a központi határeloszlás tételének következtében. A normál eloszlásnak nagy a jelentősége a statisztika több területén is. amelynek a sűrűsége harang alakot követ.1) standard normális eloszlású. Ez azt jelenti. azaz a standardizált mintaelemek. mint például a mintavételi eljárások. hogy a valószínűségi sűrűségfüggvény a legnagyobb értékkel a centrumban rendelkezik. amikor a μ = 0 és a σ = 1. Ezért. xn minta egy N(μ. akkor a minta z étékei. σ) Az eloszlás általános statisztikai jellemző Átlag Terjedelem Szórás Relatív szórás 34 . ha az x1. akkor a z= X −µ σ változó N(0. …. amely a centrumtól mindkét irányba távolodva csökken. Gyakran van szükség az Y folytonos véletlen változó modellezésére.és a magatartástudományokban.

hogy a táblázatból első rátekintésre nem látszik. 14. csak ha a megfelelő cellá(k)ra lépünk és megnézzük az abban szereplő képletet. 2) .pnorm(10. +∞ σ σ μ 9. hogy a patkányok testsúlya 10 és 15 közé esik? Excel: A valószínűségi értéket a ”C6 – C5” művelet elvégzése után kapjuk. hogyan számoltunk. 14.Μ -∞ . (Az Excel egyik hátránya.) R rendszer: > (pnorm(15. Egy ilyen populációban mi annak a valószínűsége. feladat Egy laboratóriumban a kísérleti patkányok testsúlyait normális eloszlásúnak találták µ =14 átlaggal és σ =2 szórással. 2)) * 100 35 ..

tail = FALSE) [1] 34. lower. Excel: A megoldás előállítása a táblázatból nem látszik pontosan. Azoknak az állatoknak a harapása halálos. amely már a megadott intervallumba esik. Számítsuk ki. 28.87 %-ának a testsúlya fog 10 és 15 közé esni.[1] 66. feladat A vámpír denevérek tépőfogainak a hossza normális eloszlást követ µ = 28 mm átlaggal és σ = 4 mm szórással. A megoldás előállításához fel kell használni az ”Eszközök” menüpontban lévő ”Célértékkeresés” almenüt. R rendszer: > qnorm(0. 4.57941 36 . akiknek a tépőfogmérete a populáció felső 5 %-ába esik. és annak felhasználásával a táblázat C5 cellájában látható képlet segítségével meghatározzuk azt az értéket. hogy ez hány mm-es fogméretet jelent. 10.87123 Tehát várhatóan a populáció 66.05. amelynek segítségével meghatározzuk a standard normális eloszlás értékét.

Az ábrák készítésének vannak olyan alapelvei. amelyek általánosan érvényesek minden típusra. A szerkesztés igazodjon a tartalomhoz. ugyanaz legyen a mondanivalója. hivatalos és tudományos közlésben az ábrák legfontosabb célja a mondanivaló szemléletessé tétele. hogy egy jó ábra sok szöveget pótol. ha új információt ad. jól áttekinthetővé tehetők. mint például • szükségesség Csak akkor alkalmazzunk illusztrációt. A diagramok (vagy más néven grafikonok) segítségével az adataink könnyen szemléletessé. ha valóban szükséges. mint az Excel.17) 12 Ábrázolási lehetőségek A régi kínai mondás szerint: egy kép tízezer szónál többet ér. ha magas szintű grafikus felület is támogatná. (Az R általában sokkal szélesebb számítási lehetőségeket biztosít. 17 A szélesebb körű számítási lehetőséget az is biztosítja. hogy a táblázat adatainak megváltoztatásakor a diagram automatikusan módosul. Bár ez nem mindig igaz. Még nagyobb lenne a jelentősége az R rendszernek. így azok értelmezése egyszerűbbé válik. mégsem semmitmondó. ami többek között azt jelenti. nem túlzsúfolt. és esztétikailag is pozitív benyomást keltsen az olvasóban. A mérnöki. 37 .a táblázat adatai és a diagramok szerves egységet képeznek. hogy sok helyen fejlesztettek/fejlesztenek ki speciális alkalmazásokat. mert egyetlen függvénnyel eljuthatunk az eredményhez. kétségtelen.ilyen az Excel és az R is . Szinte minden táblázatkezelő lehetővé teszi. Sok program esetében . hogy adatainkat diagram formájában is megjeleníthessük.Az R rendszerben a feladat megoldása egyszerűbb. szerkesztés A jó ábra tetszetős. amiket később szabadon hozzáférhetővé tesznek. • • pontosság Legyen az ábra összhangban a szöveggel.

• láthatóság Minden kép. ábra). Az ábra segítségével felkelthetjük a figyelmét. 11. hogy utánanézzen a pontos értékeknek a táblázatban. arra késztetve. jól olvasható legyen. A következőkben tárgyalt ábrázolási lehetőségek – kisebb-nagyobb eltérésekkel többnyire megtalálhatók mind az Excelben és mind az R statisztikai rendszerben. • érthetőség Illusztrációink a szöveg gondos tanulmányozása nélkül is érthetőek legyenek. Ugyanakkor az R rendszer sokkal többféle ábrázolási lehetőséget biztosít. ne kívánjanak az olvasótól nagy erőfeszítést. ábra Összetett ábrázolás az R rendszerben 38 . kontrasztos. ábra és táblázat megfelelő méretű. mint az Excel táblázatkezelő és az R-ben könnyen létre tudunk hozni összetett ábrákat is (11.

hogy a megfigyelések milyen aránya esik a megadott kategóriákba. A hisztogram egy rendezett minta előre kitűzött változó-tartományaiba eső elemek számát vagy gyakoriságát ábrázolja. hanem azok kivitelezésében. és fontos eszközei lehetnek a kutató. és 39 . A hisztogram részekre bontja a sokaságot (osztályokat képez) és megadja az egyes részsokaságokhoz tartozó megfigyelésszámot. amelyeket általában gyakorisági sorokból készítenek. (12.és elemző munkának.A R rendszer nem csak az ábrák típusában biztosít többféleséget. ábra 12. Az egyes részsokaságok egyedszámát általában oszlopok formájában jeleníti meg. Azt is mondhatjuk. amely azt mutatja meg. és az oszlopok nagysága az egyedek részsokaságonkénti arányát mutatja. ábra Az R rendszer grafikus lehetőségei 13 Hisztogramok A hisztogramok nagyon hasznos grafikus lehetőségek egy változó adatainak megjelenítésére. és milyenségében. hogy a hisztogram egy olyan táblázat grafikus verziója.

az adathalmaz ferdesége. túl sok esetén pedig a kapott ábra lesz áttekinthetetlen. mert túl kevés intervallum kitűzésekor az információ szegényes lesz. és a következő adatokat kapták (perc): R rendszerben (13. 401. összefoglalva azt is mondhatjuk. 387. 428. hogy a hisztogramok megmutatják az adathalmaz eloszlásának alakját. ábra): > élettartam = c(423. 11. 405. + 431. A hisztogramoknak több fajtája is lehetséges. 392. 369. Az előzőek alapján. kiugró adatok jelenléte. 382.ahol a kategóriák (oszlopok) rendszerint egymást nem átfedő. 377. és az oszlopok abszolút számokat mutatnak. 411. 363. Ebben a részben csak a két alapformát mutatjuk be: • Az első forma az intervallumonkénti elemszámot mutatja be. 391. 409. 415. Ezt a formát akkor célszerű használni. • A második forma a vertikális skálát tekintve különbözik az első formától. 400. 386. 422. 371. 381. ahol az oszlopok magassága egyenlő a rész sokaság arányával az összsokaságon belül. feladat 30 db AA típusú elemet teszteltek az élettartamuk megállapítása érdekében. többszörös módusz jelenléte az adathalmazban. 393. 372. az adathalmaz terjedelme. 399. 410. 390) 40 . A hisztogram a következőket mutatja meg grafikusan: • • • • • az adathalmaz közzépontja. 408. 389. + 419. ha az arányokat akarjuk összehasonlítani. de egymás mellett lévő intervallumok. Vigyáznunk kell azonban az intervallumok számának a megválasztásánál. 396. 394. mert az oszlopok magassága az összsokaságon belüli százalékos arányt képviseli és az oszlopértékek összege 100 %.

ha egy név több részből áll. ábra Az R rendszerben készített hisztogram Lehetőség van a hisztogram jellemzőinek a kiíratására és feldolgozására is (14.ylab="gyakoriság")18 13.hisztogram.: élettartam.> hist(élettartam. 20 Az egyes elnevezések jelentései: breaks – intervallum határok counts – intervallumok egyedszámai intensities (densities) – a relatív gyakoriságok mids – intervallum közepek equidist – egyenlő intervallum méret vagy nem 41 . plot = F20) 18 A hist függvénynek további paraméterei is vannak. ha az eredményt egy változóban eltároljuk (pl. A további parancsok a Help (?) utasítással megnézhetők. amelyekkel a hisztogram tovább fínomítható.jellemzők19) > hist(élettartam. akkor a részeket ponttal lehet összekapcsolni. ábra). + xlab="élettartam (perc)". 19 Az R rendszerben. main="Élettartam teszt eredménye".

14. ábra). de csak egyszerűbb hisztogramok hozhatók létre. density = NULL. Az eljárás segítségével egy cellatartomány adatai és az adatkategóriák alapján egyenkénti és halmozott gyakoriságok számíthatók ki. hogy még sok lehetőséget lehetne használni: hist(x. angle = 45. 42 . breaks = "Sturges". Az Excelben egyszerű a hisztogram létrehozása. right = TRUE. freq = NULL. xname). col = NULL. de ha megnézzük az R alábbi hisztogram-függvény paraméterezési lehetőségeit. ábra A 13. probability = !freq. border = NULL. A hisztogram eljárással az adathalmazban egy megadott érték előfordulásainak számát is ki lehet számítani (15. akkor azt látjuk. Jelen feladatban ugyan az látszik.lowest = TRUE. hogy az Excel hisztogramja szebb kivitelezésű. ábrán látható hisztogram jellemzői Excel: Az Excelben az Eszközök menü Adatelemzés almenüjéből érhető el a hisztogram készítés. include. main = paste("Histogram of" .

labels = FALSE. . ylim = NULL. de ha akarjuk.)21 15.. és akkor a program a kezdő értékkel számol. A helpben találhatók példák is a függvény használatához és néhány függvény esetében adatfile-okat is mellékelnek. amint az a hist függvényből is látható. 14 Pont-. amelyek segítségével a függvények kipróbálhatók. plot = TRUE. ylab.xlim = range(breaks). ami paraméterezéssel tovább finomítható és nagyon elegánsan kivitelezett ábrák is létrehozhatók.. Ezek a diagramok általában nem mutatják meg a két 21 A függvény paramétereinek pontos jelentése az R rendszer help utasításának segítségével megnézhető (?hist vagy help(hist)). nclass = NULL. 43 .és kördiagramok A pontdiagramokat általában két változó közötti lehetséges kapcsolat vizsgálatára. axes = TRUE. ábra Az Excelben előállított hisztogram Az R esetében az alap lehetőség mindig egy nagyon egyszerű ábra létrehozása vagy számítás elvégzése. megjelenítésére alkalmazzák. ezeket nem szükséges megadni. oszlop. A help minden R függvény esetében jól használható és megfelelő információt ad a függvény használatáról. vonal-. xlab = xname. ezeket meg tudjuk változtatni. Mivel a paraméterek többségének kezdő értéke is.

ahol általában az X tengely tartalmazza a mért értéket. Pont. A pontdiagram használatának általában az a célja.változó közötti oksági kapcsolatot. milyen kapcsolat lehet két változó között. mért értéken alapuló) átmenet. A kapcsolat alapvetően háromféle lehet: pozitív (emelkedő). és a kapcsolatot a pontok tendenciájának a meredeksége jelzi. A két változó értékei az X és az Y tengelyen jelennek meg. A vonaldiagram lehet olyan grafikontípus is. hogy két szomszédos érték közötti részre vonatkozóan is rendelkezünk információval. Az R rendszerben a ”plot” függvénnyel tudunk pont. A vonaldiagram numerikus mennyiség(ek) folytonos skála feletti változását szemléltető grafikon. Nem szabad vonaldiagramot alkalmazni olyan adatsor esetén. és az Y tengely pedig a másik változónak ahhoz kapcsolódó mértékét jeleníti meg. negatív (csökkenő) vagy nincsen kapcsolat. Az Excelben a grafikonvarázslóval tudunk létrehozni ilyen típusú grafikonokat a Pont vagy a Grafikon parancsok segítségével (16. Interpolációra (köztes értékek becslésére) és extrapolációra alkalmas (szélső értékek becslésére. ábra). hogy azt vizsgáljuk meg. hogy az információ két ”darabja” hogyan viszonyul egymáshoz és hogyan változnak egymás függvényében. Az adatok adatpontok egy sorozatát összekötő vonalként jelennek meg. Matematikailag függvényábrázolás adott pontokban ismert értékek alapján. Ez ugyanis azt sugallja. A vonaldiagram egy lehetőség annak összefoglalására. A vonaldiagram hasonlít a területdiagramra. 44 . amely egyenlő közönként elhelyezkedő adatok változását vagy trendjét mutatja.és vonaldiagramot mindkét programban egyszerűen lehet létrehozni. amelyben az adatok között nincs (pl. de a vonaldiagram inkább a trendeket emeli ki. de jelezhetik a kapcsolat fennállását (regresszió) és a kapcsolat erősségét (korreláció) is. előrejelzésre).vagy vonaldiagramokat létrehozni. pedig ez nem igaz.

5)). λ = 5 paraméterű véletlen számot. 12. nem folytonos – kategóriákhoz tartozó számadatok szemléletes összevetésére szolgáló ábrázolási módszer. lwd=10. ábra). col = "red". és ábrázoljuk az egyes számokhoz tartozó gyakoriságokat egy pontdiagramban (17.16. + main="Poisson véletlen számok(lambda=5)". Az oszlopdiagram az értékek 45 . type = "p". ábra A grafikonvarázsló az Excelben. + ylab="gyakoriság". > plot(table(rpois(100. A számadatokat az oszlopok magassága jelzi.xlab="véletlenszámok") Az oszlopdiagram a diszkrét – vagyis elkülönült elemekből álló. példa Generáljunk 100 db Poisson-eloszlású.

ahol az egyes oszlopok vízszintesen helyezkednek el. A kategóriák horizontálisan (vízszintesen). Az oszlopdiagrammal gyakorlatilag megegyezik a sávdiagram.időbeni változását mutatja be. hogy melyik típust szeretik: belföldi doboz (1). 17. az értékek vertikálisan (függőlegesen) helyezkednek el. ezzel kiemelve az időbeli változást. belföldi üveg (2). A válaszok: 3411343313212123231111431 Készítsünk oszlopdiagramot a gyakoriságok és az arányok ábrázolásásra. csapolt (3) és import (4). 46 . A halmozott oszlopdiagramok az egyedinek az egészhez való viszonyát tükrözik. ábra Pontdiagram az R rendszerben 13. feladat Egy felmérés során 25 főt kérdeztek meg a sörivási szokásaikról. vagy különböző tételeket hasonlít össze.

3. 47 . 1. Jelen esetben 1 sort és 3 oszlopot hozunk létre. ábra Sörivási szokások felmérésének ábrázolása R rendszer Az R rendszer beépített utasításainak köszönhetően a probléma viszonylag egyszerűen megoldható. 4. ami 658 darab. 3. de ha gyakorisági sorként vagy arányként szeretnénk ábrázolni. sub=”alap”) 22 Ezzel az utasítással lehet mátrix elrendezésű grafikon sorozatot létrehozni. 3. 2. A megoldást három oszlopdiagramban mutatjuk be. 1. számításokat. main=”Sörivás teszt”. ábra). 1. 1. col=cl[1:25]. 3. 1. 1. 2. 23 Beolvassuk az összes lehetséges színt. akkor el kell végezni bizonyos csoportosításokat. 3. 1. 1. 4. 3. 4. hogy az oszlopdiagramokat egy keretben helyezzük el (19. 2. > sörivás = c(3. 1.3))22 > cl =colors()23 > barplot(sörivás. 2. Excel: 18. a második érték a sorok számát jelenti. 3. Az első érték az oszlopok számát. mégpedig úgy.Az Excelben a normál oszlopdiagram előállítása viszonylag egyszerű (18. ábra). 1) > par(mfcol=c(1.

+ sub=„gyakoriság”) > barplot(table(sörivás)/length(sörivás). col=cl[1:25]. ahol az egyes körcikkek aránya fejezi ki a részadatok nagyságát. Így leolvasható az egyes számlák.> barplot(table(sörivás). A kördiagram viszonylag kisszámú érték és csak egyetlen adatsor megjelenítésére alkalmas. valamint a teljes havi rezsi nagysága is. A kördiagram csak egy adatsorozatot 48 . sub=”arány”) 19. így nemcsak az egyes oszlopok nagysága. villany.és telefonszámlánk ábrázolására. + main=”Sörivás teszt”. az egyes havi gáz-. ábra Oszlop diagram az R rendszerben A halmozott oszlopdiagramban (osztott oszlopdiagram) az egyes adatsorokat szimbolizáló oszlopok egymás tetejére kerülnek. a tételeket az egészhez viszonyított arányát mutatja be. Ezt a diagramtípust használhatjuk pl. col=cl[1:25]. hanem azok együttes értéke is leolvasható. main=”Sörivás teszt”.

míg az R-ben a ”pie” függvényt. • • • a ’dobozban’ található vonal a mediánt jelzi. ha az értékek kívül esnek az ”1. felső és alsó kvartilis. maximum és minimum érték) készítenek egydimenziós adatokról és ezt az összefoglaló statisztikát speciális formában (2. míg az alsó sarka a 25 %-át (első kvartilis) jelzi. ha a ’dobozban’ található medián-vonal nem egyenlő távolságra van az alsó vagy a felső saroktól. ezért egy fontos jellemző kiemelésére a leghasznosabb. ábra alapján a boxplot a következőképpen interpretálható: • a ’doboz’ az adatok középső 50 %-át tartalmazza.5 * IQR” távolságon akár az első. A boxplot erősségei: • • • grafikusan mutatja be egy változó értékeinek az elhelyezkedését és terjedelmét. amikor az adatok kívül esnek az interkvartilis távolság másfélszeresén. ábra) megjelenítik A 20. akár a harmadik kvartilis esetében. a ’doboz’ felső sarka az adatok 75 %-át (harmadik kvartilis). Az Excelben a Grafikonvarázslót tudjuk használni kördiagramok ábrázolására. pontokkal jelölve).jelenít meg. • az extrém pontok (apró körökkel. ezért csak akkor alkalmazható. hogy az adathalmaznak vannak-e extrém pontjai. akkor az adatok asszimetrikusak (ferdeség). 49 . más módszerektől eltérően megmutatja. kivéve azt az esetet. ha ismerjük az alaphalmazra vonatkozó adatokat. 15 Boxplot ábrázolás A boxplot-ok (vagy „szakállas ábrák”) egyfajta összefoglaló statisztikát (medián. Mivel a részek az egészhez való arányviszonyának bemutatására szolgál. jelzéseket ad az adatok szimmetriájáról és ferdeségéről. amit interkvartilis távolságnak (IQR) neveznek. a ’dobozból’ kiinduló vertikális vonalak végei a maximális és a minimális értéket jelzik.

> library(UsingR)25 > data(ewr)26 24 Az EWR adatokat tartalmazó csomag megtalálható az R programrendszer könyvtárában a ”libraryUsingR” alkönyvtárban. min. amelyek különböző hónapokban tartalmazzák a taxik adatait. az ”ewr” adathalmaz betöltése. 26 A csomag több adathalmazt is tartalmaz. ahol megtalálható az adatokat leíró help-file is. extrém pontok max. AQ (Aloha Airlines). AS (Alaska Airlines). és WN (Southwest Airlines). UA (United Airlines). egy ábrában (21.5 * IQR 20. HP (America West Airlines). 50 . NW (Northwest Airlines). ábra Általános boxplot ábrázolás 14. T TW (Trans World Airlines). CO (Continental Airlines). feladat A UsingR csomagban (package) lévő EWR adathalmaz24 és boxplot ábrázolási mód felhasználásával ábrázoljuk a taxik beérkezési és kiindulási időpontjait a Newark repülőtérre az egyes repülőgép társaságok vonatkozásában (1999-2001). 25 A UsingR csomag betöltése. DL (Delta Airlines). A repülőgépkódok: AA (American Airlines). Q1 Q3 Q3 + 1.• jó és gyors összehasonlítási lehetőséget biztosít különböző adathalmazok számára. US (US Airways). ábra). Az adathalmaz 46 sort és 11 oszlopot tartalmaz.

51 . main=társaságok[i]) > detach(ewr) 27 A szükséges oszlopok kiválogatása.> társaságok = names(ewr) > ewr. ábra) > par(mfrow=c(2. ábra Taxi beérkezési és kiindulási idők a Newark Repülőtéren Majd ábrázoljuk egy ”lapon”.aktuális) 21.3:10]27 > boxplot(ewr. (22. amelyekhez nincsen szükség az ábrázoláshoz.factor(inorout). az 1. oszlop az éveket. a második a hónapokat tartalmazza.aktuális = ewr[.4)) > attach(ewr) > for(i in 3:10) boxplot(ewr[.i] ~ as. de különálló boxplotokban a különböző légitársaságokhoz tartozó beérkezési és kiindulási időket.

amit át kell alakítanunk boxplot diagrammá. és 52 . mint az R rendszerben. maximum. a megnevezésekkel együtt ki kell jelölni. medián. Az elkészült táblázatot. majd meg kell hívni a grafikus varázslót. ahol a grafikon ábratípust választjuk ki. Az egér jobb oldali gombjával a grafikon első vonalára kattintunk. Az elkészült grafikon egy vonal. A grafikonkészítés 2.22. lépésében Az adatsorok jellemzőnél a Sorokban paramétert jelöljük be. ábra A taxi beérkezési és kiindulási időpontok külön-külön ábrázolása repülőjáratonként az EWR repülőtéren A boxplot ábrázolás az Excelben is megvalósítható (23. minimum. csak jóval bonyolultabban. felső kvartilis. és csak a pontdiagramot tartjuk meg. majd a 3. A kiszámított jellemzőket táblázatba kell foglalni. ábra). lépésben megadhatjuk a grafikon megnevezéseit és befejezzük a grafikonkészítést. Az Excelben történő boxplot ábrázoláshoz először ki kell számítanunk a jellemző értékeket: alsó kvartilis. Ennek a menete a következő: 1.és pontdiagram. Törölnünk kell a vonaldiagramokat.

valamint a Köz paraméterhez beírunk 150-et (ez állítja be a box szélességét). Ezt tesszük az összes vonal esetében. 23. A két grafikon együttes használata az adatok jobb értékelhetőségét is biztosítja. majd a Beállítások almenüben beállítjuk a Különbségvonalak és a Pozitív/negatív eltérés paramétereket. 2. aminek segítségével a két grafikon közötti viszonyt is láthatjuk.and.hist.kiválasztjuk Az adatsorok formázása… menüt. Újra kiválasztjuk Az adatsorok formázása… menüt.boxplot” függvény felhasználásával. majd a Mintázat – Vonal almenüben bejelöljük a Nincs paramétert. a ”simple. ábra Boxplot ábrázolás az Excelben Az R rendszer lehetővé teszi hisztogram és boxplot együttes megjelenítését is. 53 .

15. feladat A feladatban néhány eloszlástípust (binomiális, Poisson, exponenciális és normális) mutatunk be a kettős ábrázolással (24. ábra).

> binomiál=rbinom(100, 20, 0.05) > poiss=rpois(100,5) > expon=rexp(100) > normál=rnorm(100,20,5) > par(mfrow=c(2,2)) > simple.hist.and.boxplot(binomiál, main=”Binomiális-eloszlás”) > simple.hist.and.boxplot(poiss, main=”Poisson-eloszlás”) > simple.hist.and.boxplot(expon, main=”Exponenciális-eloszlás”) > simple.hist.and.boxplot(normál, main=”Normális-eloszlás”)

16 Páronkénti ábrázolás A páronkénti ábrázolás egy nagyon jól használható magas szintű ábrázolási funkció többváltozós összefüggések megjelenítésére és vizsgálatára. Különösen hasznos, ha az adatainkban lévő tendenciákat szeretnénk megismerni. Legyen adott egy X1, X2, …, Xk változókat tartalmazó ábrázolandó mátrix, amely változóit egy lapon páronként akarjuk ábrázolni mátrix formában (k oszlop és k sor). A mátrix i-edik sora és j-edik oszlopa az Xi és az Xj változókat mutatja be. Az előzőekből látható, hogy a páronkénti ábrázolás (pairwise vagy scatter plot) valójában egy nagyon egyszerű dolog, de a megjelenítésnek sok alternatívája lehetséges: • Például az ábrázolási mátrix diagonáljában, egyszerűen egy 45 fokos vonalat kapunk az Xi – Xi változók ábrázolása esetén, de a diagonálist üresen is hagyhatjuk, vagy beleírhatjuk a változók elnevezéseit is. • Vagy egy másik probléma, hogy az Xi – Xj és az Xj – Xi csak a tengelyek felcserélést jelenti, egyébként megegyeznek. Az utóbbi esetben elhagyhatjuk a diagonális alatti ábrákat.

54

24. ábra Eloszlások ábrázolása hisztogrammal és boxplottal • Gondot okozhat az ábrák nagy száma, mert nehéz lehet a tengelyekre vonatkozó elnevezések informatív és átlátható megjelenítése. Ez bizonyos mértékig megoldható, ha az elnevezéseket a két oldal (mind a sorok és mind az oszlopok esetében) között felváltva használjuk • A jobb áttekinthetőség érdekében szükséges lehet, hogy az egyes ábrák között üres helyeket hagyjunk. A páronkéti ábra mátrix a következő kérdésekre adhat választ: • • Van-e páronkénti kapcsolat a változók között? Ha van kapcsolat, akkor milyen a kapcsolat természete?

55

• •

Vannak-e kiugró (extrém) adatok? Van-e klaszterképzési (csoportba rendezési) lehetőség az adatokban?

16. feladat Napjaink egyik sokat tárgyalt kérdése a melegházhatás, amelynek befolyásolója a CO2 emisszió. Az emissions adathalmaz különböző európai országok és az USA 1999-es adatait tartalmazza az összes GDP, az egy főre jutó GDP és a CO2 emisszió vonatkozásában. Az R rendszerben pairs függvénnyel elő tudunk állítani egy szórásdiagramot valamennyi párt figyelembe véve (25. ábra). A pairs függvénynek sok paramétere van az ábra alakítására. > library(UsingR) > data(emissions) > pairs(emissions, labels=c("GDP", "GDP/fő", "CO2"), + main="Szórásdiagram")

17 Egyéb ábrázolási technikák Az R rendszerben szinte mindenfajta ábra előállítható, a grafikus lehetőségek nagyon fontos és különösen sokoldalú komponensét képezik a programnak. A beépített grafikus függvényeknek nagy számával tudunk dolgozni, de magunk is hozhatunk létre új ábra típusokat. A grafikus lehetőségeket használhatjuk interaktív módban, ahol az alap ábra újabb attribútumok hozzáadásával vagy a már megadottak megváltoztatásával lépésenként továbbfejleszthető, valamint batch üzemmódban is. A terjedelmi korlátok miatt valamennyi lehetőséget bemutatni nem lehet, de a rendszerhez kapcsolódó szakkönyvekből könnyen meg lehet ismerkedni valamennyi lehetőséggel. Az R rendszer csomagjai között sok speciális ábrázolási technikát megvalósító csomaggal is találkozhatunk (http://cran.r-project.org/src/contrib/ PACKAGES.html).

56

ábra) > library(UsingR) > data(InsectSprays) > par(mfrow=c(1. data=InsectSprays. a violinplot és a sűrűségdiagram formát is. A jobb megértés érdekében egymás mellett megadjuk a boxplot.densityplot(count ~ spray. data=InsectSprays. amely az átláthatóság érdekében tükörképpel van megadva. col="lightgray") > simple. az InsectSprays-t. (26.25. ami a boxplot és a sűrűségdiagram lényegének a kombinációja. col="lightgray") > simple. és azután a boxplot mindkét oldalához hozzáadódik egy sűrűség diagram.violinplot(count ~ spray. data=InsectSprays) 57 .3)) > boxplot(count ~ spray. A hegedű ábra létrehozásához egy a rendszerhez tartozó adathalmazt használunk fel. Tulajdonképpen az egy boxplot elkészítésével indul. ábra A pairs függvény felhasználása páronkénti szórásdiagram előállítására A speciális ábrázolási lehetőségek közül a hegedű (violin) ábrát mutatjuk be.

26. és minimális programozási ismereteket is igényel. 17. amely egy kétváltozós normális eloszlás sűrűségfüggvényét ábrázolja és felírjuk rá a képletet és a kezdőértékeket is (27. de szép ábrát kapunk. ábra A violindiagram ábrázolása a boxplot és a sűrűségdiagram társaságában Az ábrázolási lehetőségek közül végezetül egy bonyolultabb formát is bemutatunk. mégpedig egy 3 dimenziós ábrát. ábra). feladat Hozzuk létre a kétváltozós normális eloszlás 3 dimenziós ábráját úgy. (A feladat megoldása kicsit bonyolult.) A kétváltozós normális eloszlás sűrűségfüggvénye f ( x) = 1 2*π * σ11*σ12 * 1− ρ 2 A feladat megoldása: ( ) 2   ( x − µ1) 2 1 x − µ1 x2 − µ2 ( x2 − µ2 )    * exp − * 1 − 2* ρ * 1 * +   2 σ 22  σ11 σ 22  2* 1− ρ  σ11    ( ) 58 . Az ábra létrehozása több lépésben oldható meg. hogy az ábrára rákerüljön az eloszlás függvény is.

s.5 > x1 = seq(-10. és elhelyezi a z-ben.1. sub = p. length=41) > x2 = x1 # expected value of x1 # expected value of x2 # variance of x1 # covariance of x1 and x2 # variance of x2 # correlation coefficient of x1 and x2 # generating the vector series x1 # copying x1 to x2 3.2~pi~sqrt( sigma[11]~sigma[22]~(1-rho^2)))~phantom(0)^ + bold(. sigma[11])~-~2~rho~frac(x[1]~-~mu[1]. sigma[22]). előállítja a 3.term5)) +} 2.mu1) * (x2 . bgroup("[". list(-frac(1. + sqrt(sigma[11]))~ frac(x[2]~-~mu[2]."}")) 5. x2. + frac((x[1]~-~mu[1])^2.mu1)^2 / s11 + term4 = (x2 .rho^2))) + term2 = -1 / (2 *(1 . z. 59 . paraméterként megadott függvény értékeit. 10."]")). main = "Kétváltozós normális eloszlás".mu2)^2 / s22 + term5 = -2 * rho * ((x1 . x2) +{ + term1 = 1 / (2 * pi * sqrt(s11 * s22 *(1 .sqrt(sigma[22]))~+~ + frac((x[2]~-~mu[2])^2.rho^2)) + term3 = (x1 .mu2)) / (sqrt(s11) * sqrt(s22)) + term1 * exp(term2 * (term3 + term4 .)~exp~bgroup("{". f) 28 4. a függvény létrehozása az R-ben > f = function(x1. A sűrűségfüggvény képletének az összeállítása a TEX szövegszerkesztőnek megfelelő utasításkészlet segítségével: > p. A kétváltozós normális eloszlás sűrűségfüggvényének kiszámítása > z = outer(x1. x2. A függvény megrajzolása és a képlet kiírása > persp(x1.2(1-rho^2)). 28 A megadott vektorok felhasználásával. kezdőértékek megadása > mu1 = 0 > mu2 = 0 > s11 = 10 > s12 = 15 > s22 = 10 > rho = 0.s = expression(italic(f)~(bold(x)) == + frac(1.

3. Az alapparaméterek kiírása az ábrára > mtext(expression(list(mu[1]==0. shade = . 4. + ltheta = 90. ábra A kétváltozós normális eloszlás 3 dimenziós ábrázolása Ellenőrző kérdések: 1. lphi = 180. sigma[12]==15. 2.1. ticktype = "detailed".+ col = "lightgreen".5. Mi az egyenletes-eloszlás fő jellemzője? Milyen jelenségek vizsgálatában alkalmazzák általában a binomiáliseloszlást? Melyik eloszlást szokták a „kis számok törvényének” nevezni? Melyek az exponenciális-eloszlás fő jellemzői? 60 . rho==0. + sigma[22]==10. phi = 20. theta = 30. d = 0. expand = 0. nticks = 5) 6. side=3) f ( x) = 2  ( x − µ ) 2 1 x − µ x − µ ( x − µ )    * exp − *  1 1 − 2* ρ * 1 1 * 2 2 + 2 2    2 2* 1− ρ 2  σ 11 σ 22   σ 11 σ 22 2*π * σ 11*σ 12 * 1− ρ     1 ( ) ( ) 27. r = 50. mu[2]==0.75. sigma[11]==10.5)).

a vonal-. Miért tartják a normális eloszlást gyakorlati szempontból a legfontosabb eloszlástípusnak? Mikor nevezünk egy valószínűségi változót standard normális eloszlásúnak? Melyek az ábrák készítésének alapelvei? Hogyan történik az adatok hisztogrammal való ábrázolása? Mi jellemzi a pont-. 10. 6. 12. 7. az oszlop. 11. 9. 8.5. és milyen kérdésekre adhat választ ez az ábrázolási mód? Milyen diagramokat foglal magában a violindiagram? 61 .és a kördiagramot? Milyen főbb statisztikai jellemzők jelennek meg a boxplot ábrázolásban? Mi a lényege a páronként ábrázolásnak.

azokat helyzeti középértékeknek nevezzük (pl. tehát legyen nála kisebb és nagyobb érték is. Egy numerikus adathalmaz alapvető jellemzőiként a középértéket és a terjedelmet szokták megadni. ha jóval kevesebb adat figyelembevételét is követeli meg a mintánál. amely közel áll az előforduló értékek zöméhez. A különböző átlagok közül a leggyakrabban használt a 62 . hogy a középérték valóban közepes helyzetet foglaljon el. hogy a használt középérték egyértelműen legyen definiálva. 20 Számtani átlag A minta középértékének a leírására több lehetőség is van. Jó lenne az adatokat . hogy a középérték tipikus legyen. amelyeket számítással határozunk meg. amely azonos fajta számszerű adatok tömegének közös jellemzője. és könnyen értelmezhető legyen. amelyeket még ki lehet egészíteni más jellemzőkkel is.18 Alapstatisztikák Túlesve a legfontosabb eloszlásokkal kapcsolatos elemi ismereteken. vagyis érvényesüljön. láthatjuk. A középértékekkel szemben támaszthatunk bizonyos követelményeket. számított középértékeknek nevezzük (átlag). 19 Helyzeti és számított középértékek Az egyik leggyakrabban használt statisztikai jellemző a középérték. Nagyon fontos. azaz olyan érték. de közülük a leginkább elterjedt az átlag használata. hogy a gyakorisági eloszlás. amely körül sűrűsödnek az értékek. Azokat a középértékeket. amelyeknek a különböző középértékek különböző mértékben tesznek eleget. Ilyen követelmény.lehetőleg minél tömörebben jellemezni. meglehetősen nehezen jellemezhető.: medián). amelyeket pedig az elhelyezkedésük alapján. hogy Xmin < K <Xmax Megkövetelhető az is.

A számtani átlag közel szimmetrikus eloszlások esetén jó mérőszáma a középértéknek. de félrevezető lehet ferde eloszlások esetében.számtani átlag. Normál eloszlás esetén a számtani átlag a leghatékonyabb. akkor a számlálóban szereplő értékösszeget. a nevezőben szereplő egyedszámot pedig a gyakoriságok összege adja: k X= ∑f * X i =1 i i ∑f i =1 k i Ezt az összefüggést súlyozott számtani átlagnak nevezzük. Ilyenek 63 . Az összefüggésben a ’k’ a csoportok számát jelenti. amelyet olyan idősorok esetében használunk. hogy a számtani átlag az a szám. amikor az értékek között nyitó. A számtani átlagot általában akkor használjuk. Ha az adatainkat valamilyen szempont szerint csoportosítjuk. ha a megfigyelési egységek összegének tárgyi értelme van. amellyel az egyes megfigyelési értékeket helyettesítve azok összege változatlan marad. mert erősen befolyásolhatják a „végeken” lévő értékek. az egyes csoportokat jellemző értékek. és a hozzájuk tartozó gyakoriságok (fi) szorzatösszegeként állítjuk elő.és záróérték is szerepel. amelynek egyszerű formája a megfigyelési egységekhez tartozó értékek (Xi) összegének és a megfigyelési egységek számának (n) a hányadosa. A kronologikus átlag a számtani átlag speciális formája. és ebből következően az összes középtendencia mérőszám közül a legkevésbé kitett a minta ingadozásainak. ami a következő képlettel adható meg: X= ∑X i =1 n i n A fenti képlet alapján úgy is fogalmazhatnánk. és gyakorisági sorokat hozunk létre.

A kronologikus átlag kiszámításának képlete: X1 + Xn n−1 +∑Xi 2 i =2 X= n− 1 21 Harmonikus átlag Harmonikus átlagszámításra általában akkor kerül sor. A számtani átlaghoz hasonlóan lehetőség van a harmonikus átlag súlyozott formában történő kiszámítására is: k Xh = ∑f i =1 i k i =1 i ∑f * X 1 i 22 Mértani átlag 64 . azok reciprokainak összege nem változik: n 1 ∑X i =1 i n Xh = A harmonikus átlag használatára általában a fordított intenzitási viszonyszámokból.lehetnek például a különböző készlet kimutatások. illetve indexekből történő átlagszámítás esetén van szükség. Ebből következően. mint a megfigyelési egységek reciprokaiból számított számtani átlag reciprok értéke. a harmonikus átlag az a szám. Ebből következően a harmonikus átlag lényegében nem más. amikor az átlagolandó értékek reciprok értékei összegének van tárgyi értelme. amelyet az egyes átlagolandó értékek helyébe helyettesítve.

azok négyzetösszege nem változik. ha az átlagolandó értékek szorzatának van tárgyi jelentése. a számítás képlete: X g =n  X i i =1 n 29 A mértani átlag súlyozott formája: k X g = i =1 ∑ fi  k i =1 Xifi 23 Négyzetes átlag A négyzetes (kvadratikus) átlag az a szám. Kiszámításának képlete: Xq = ∑x i =1 n 2 i n Az átlagszámításnál a négyzetgyököt mindig pozitív előjellel értelmezzük. A mértani átlag az a szám. Hasznos lehet az alkalmazása abban az esetben. Ilyen esettel általában dinamikus viszonyszámokkal történő számítások során találkozhatunk. A négyzetes átlag súlyozott formája 29 A ∏ szimbólum a szorzatot jelenti. A négyzetes átlag önmagában viszonylag ritkábban használt átlagforma. amellyel az átlagolandó értéket helyettesítve. a négyzetes átlaggal eltüntethető az előjelek különbözősége. ha az átlagolandó értékek között pozitív és negatív számok is előfordulnak. mert nagyon ritkán tudunk az átlagolandó értékek négyzetösszegének tárgyi jelentést adni. és az előjelnek nincsen jelentősége. amelyet az átlagolandó értékek helyébe téve azok szorzata változatlan marad.Mértani (geometriai) átlagot akkor számolunk. 65 .

hogy ennek a legnagyobb a gyakorisága a mintában. Diszkrét értékek esetén a módusz a leggyakrabban előforduló ismérvérték. Ez alapján azt is mondhatnánk. amely sorba rendezett értékek közül a középső. hogy a módusz a legáltalánosabb. hogy esetenként több módusza is lehet egy sokaságnak. vagyis amelynél ugyanannyi kisebb. Folytonos ismérvek esetében a módusz a gyakorisági görbe maximumához tartozó érték.vagy osztályközt . tipikus érték.amelyre igaz. mint nagyobb érték fordul elő. Meghatározásához nincsen szükség számításra. A módusz helyzeti középérték. Hátrány lehet. A medián értéke n+ 1 2 A medián sorszáma: 66 . 25 Medián A medián is helyzeti középérték. a legjellemzőbb. Bizonyos esetekben a szélsőérték iránti érzéketlenség miatt célszerű a móduszt használni a többi középértékkel szemben. értékét egy gyakorisági sorból vagy egy hisztogramból rátekintéssel meg tudjuk állapítani.Xq = ∑f x i =1 i n 2 i ∑f i =1 n i 24 Módusz Bármely gyakorisági eloszlás görbéjét tekintjük: mindig értelmezhetünk olyan értéket . mert ezen érték körül sűrűsödnek a legjobban a megfigyelési egységek.

Ez azt is jelenti. hogy a kvartilisek a mediánnál kisebb és a mediánnál nagyobb értékek mediánjai. vagy egyenlő. a módusz és a medián megegyezik. és alacsonyabb. 67 . mint a medián pozitív irányban ferde eloszlások esetében. centilis).A képletből következően páros esetszám esetén a medián törtszám lesz.vagy századrészekre osztani (decilis. amelynél a mintaelemek t %-a kisebb. 26 Kvantilisek A minta elhelyezkedését jellemezhetjük a kvantilisek segítségével. A kvartilisek. n+ 1 4 Q1 sorszáma (25%): Q1 sorszáma (75%): 3* (n+ ) 1 4 A kvartilisekhez hasonlóan lehet a sokaságot tized. hogy az átlag általában magasabb. A 25 %-os. A kvartilisek meghatározásánál a nagyság szerint rendezett sokaságból kell kiindulni. A mediánnál nagyobb értékeké pedig a felső kvartilis (Q3). A mediánnál kisebb értékek mediánja az alsó kvartilis (Q1). A kvartilisek nem tartoznak a középértékek közé. mint a medián negatív irányú ferdeség esetén. mint az elnevezésükből is következik. illetve felső (Q3) kvartilisnek nevezzük. mint az átlag és ezért erősen ferde eloszlások esetén jobb mérőeszköz lehet. és ebben az esetben mediánnak a két középső szám egyszerű számtani átlagát tekintjük. a sokaságot negyedekre osztják. A medián kevésbé érzékeny az extrém értékekre. A t %-os empirikus kvantilis az a legkisebb mintaelem. Szimmetrikus eloszlások esetén az átlag. illetve 75 %-os kvantilist alsó (Q1). Azt is mondhatnánk.

hogyan helyezkedhetnek el a megfigyelési egységek az átlag körül. amelynél kisebbek az átlagtól való eltérések. ezért a sokaság jellemzéséhez szükségünk lehet egy olyan jellemzőre. ami egyenlő a legnagyobb és a legkisebb érték különbségével. amely az alsó és a felső kvartilis különbségének a fele: Q3 −Q1 2 IQ = Az átlagos abszolút eltérés (δ) a megfigyelési értékek és a számtani átlag eltérései abszolút értékeinek a számtani átlaga: δ= ∑X i= 1 n i −X n 68 . mérőeszközre is. A terjedelem a legegyszerűbb és legkönnyebben megérthető mérőeszköze a szóródásnak. A terjedelem nagyon érzékeny a szélső értékekre.IQ) a terjedelemhez nagyon hasonló mérőszám. Szóródáson valamely mennyiségi ismérv értékeinek a különbözőségét értjük. A kvartilis eltérés (interkvartilis terjedelem . ami arra ad választ. Ez a tulajdonsága adja használatának értelmét.27 A szóródás és mérőszámai A középérték azáltal. amelyet különböző mutatókkal mérhetünk. mert csak két értéken alapszik. Ugyanakkor a terjedelmet szinte soha nem használják a szóródás egyetlen mérőszámaként. amelyben nagyobbak. Azt a sokaságot jobban jellemzi a középérték. de egyúttal korlátját is. Különböző sokaságokban az egyes értékek átlagtól való eltérései lehetnek kisebbek vagy nagyobbak. mert egyedül kevésbé informatív. hogy egyetlen értékbe sűrítve jellemzi a sokaságot. mintegy kiegyenlíti a sokaságban rejlő különbözőségeket. mint azt.

az átlagtól való eltérések átlagos nagyságát számítjuk ki. mint a szórásnak. A varianciát önállóan nem szoktuk használni. és ugyanúgy a változékonyság mérésében van szerepe. Számítása σ= ∑( X n i =1 i −X ) 2 n A négyzetes eltéréssel – mint az a képletből is látható . A csúcsosság általánosan használt mutatószáma 69 . amely a legközelebb áll az egyes átlagolandó értékekhez. mert kvadratikus értelemben (kvadratikus minimum) a számtani átlag az a középérték. amely az ismérvértékek és a számtani átlaguk eltéréseinek négyzetes átlaga. amelyek azt mutatják meg. de sok statisztikai számítás felhasználja. A csúcsosság (vagy lapultság) az eloszlás „elnyúltságán” alapszik. A képletben azért a négyzetes átlagot használjuk. A szórás gyakorisági sorból történő kiszámítása súlyozott formában történik: σ= ∑ f *( X k i =1 i k i =1 i −X i ) 2 ∑f A variancia a szórásnégyzet (σ2).A szóródás leggyakrabban használt mutatószáma a négyzetes eltérés vagy szórás. hogy egy adott sokaság milyen mértékben tér el az etalonnak tekintett normál eloszlás gyakorisági görbéjétől. 28 A ferdeség (skewness) és a csúcsosság (kurtosis) A ferdeség és a csúcsosság lényegében alak-mutatószámok.

mivel az szimmetrikus eloszlás. és ha az átlag kisebb. A pozitív ferdeséggel rendelkező eloszlások a gyakoribbak. akkor pozitívan ferde az eloszlás. Ebből következően a jobbra hosszan elnyúló eloszlásokat baloldali asszimetriájú eloszlásoknak (pozitív ferdeség). míg a balra hosszan elnyúló eloszlásokat jobboldali asszimetriájú eloszlásoknak (negatív ferdeség) nevezzük (28. Pozitív ferdeség Negatív ferdeség Szimmetrikus eloszlás 28. ábra Az eloszlások ferdesége A ferdeség számítása: k= ∑( X n i =1 i −X ) 3 n*σ 3 A normális eloszlás ferdeségi értéke 0. mint a medián. hogyha az átlag nagyobb. A ferdeség az asszimetria mérőszámának is tekinthető. Általános szabály.k= ∑( X n i =1 i −X ) 4 n*σ 4 A normál eloszlás csúcsossági értéke 0. mint a medián. akkor negatívan csúcsos az eloszlás. ábra). 70 .

80 3 824.10 3 843. általában egy statisztikai jellemző nem mindig jellemzi megfelelően a sokaságot.10 3 749. a két programban elvégezhető számításokat összevontan mutatjuk be.90 Év 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 1.20 3 657. táblázat Az aktív keresők száma Magyarországon Excel: Az Excelben a főbb jellemzők együttes kiszámítását az Eszközök – Adatelemzés – Leíró statisztika menüvel végezhetjük el. mert egy-egy adathalmazhoz célszerű többféle számítást is bemutatni. Aktív keresők száma (fő) 3 727. feladat A 1.50 3 853. ábra) 71 .29 A középértékek és a szóródás kiszámításának lehetőségei az Excelben és az R rendszerben A számított és a helyzeti középértékekhez. táblázatban található adatok felhasználásával számítsuk ki a főbb statisztikai jellemzőket. 18. valamint a szóródáshoz tartozó.90 3 669.50 3 828.00 3 687.60 3 654. (29. Ahogyan azt már korábban is megállapítottuk.

majd újrafelhasználni. Minimum. hogy van különbség a két rendszer között és az Excelben számítható több mutató. táblázat tartalmazza. átlag. A táblázatból látható.29. felső sarokpont. felső kvartilis. Az első ilyen lehetőség a summary30 vagy a fivenum31 függvények használata. mint az R rendszerben. medián. Általában ugyanannak a feladatnak a megoldása az Excelben több munkát igényel. maximum. A két programrendszerben számítható statisztikai jellemzőket a 2. ábra) Ugyanúgy. 72 . maximum. (30. mint az Excelben lehetőség van az egyes jellemzők külön-külön kiszámítására is. ábra Az aktív keresők statisztikai jellemzőinek meghatározása Az R rendszerben is van lehetőség különböző összegző statisztikák számítására. alsó kvartilis. és tárolni. de nem szabad elfelejteni. 30 31 Minimum. hogy az R statisztikai programban sokkal könnyebb újabb függvényeket létrehozni. alsó sarokpont. medián.

30. ábra A summary és a fivenum függvények használata az R-ben

Excel ÁTL. ELTÉRÉS ÁTLAG CSÚCSOSSÁG FERDESÉG HARM. KÖZÉP KVARTILIS MAX MEDIÁN MÉRTANI.KÖZÉP MIN MÓDUSZ PERCENTILIS SZÓRÁS VAR

R mean

quantile max median min sd var IQR 2. táblázat

Az Excel és az R nyelv alap statisztikát számító függvényei

19. feladat Mennyi idő alatt takarítanak be a kombájnok 100 hektár kukoricát, ha 100 ha kukorica betakarításának műszakóra szükséglete különböző kombájnok esetében az alábbi:

73

Kombájn típus Kombájn1 Kombájn2 Kombájn3 Kombájn4

Műszakóra/100 ha 55 70 100 75

Az Excelben való megoldást a 31. ábra mutatja be. (Az adatok az ábrán egyenként kerültek megadásra, de lehetett volna cellahivatkozást is használni.)

31. ábra Az átlagos műszakóra kiszámítása Excelben Az R rendszerben nincsen külön függvény a harmonikus átlag számítására, annak megoldására két lehetőség van (az adatok a müó.szüks változóban vannak): 1. Vagy beírjuk a képletet és kiszámítjuk > length(müó.szüks)/(sum(1.0/müó.szüks)) 2. Vagy készítünk egy függvényt, amit a későbbiekben is fel tudunk használni és a megfelelő értékeket behelyettesítjük > harm.átlag = function(x, n) n / sum(1/x) > harm.átlag(müó.szüks, length(müó.szüks)) 74

20. feladat Az Alföld megyéiben a mezőgazdasági vállalatok műtrágya-felhasználása és a műtrágyázott terület a 3. táblázatban szereplő volt. Számítsuk ki, hogy mennyi volt az egy hektár műtrágyázott területre jutó műtrágya felhasználás az Alföldön? 1 hektár műtrágyázott területre felhasznált műtrágya kg/ha 139 84 121 117 101 165 117

Felhasznált Megye megnevezése összes műtrágya (t) Bács-Kiskun Békés Csongrád Hajdú-Bihar Jász-Nagykun-Szolnok Pest, Budapest Szabolcs-Szatmár-Bereg 33622.6 18716.6 15773.4 19584.9 22905.8 22869.0 18943.6 3. táblázat Műtrágyázás az Alföldön

A feladatot mindkét esetben a képlet felhasználásával tudjuk megoldani. A különbség annyi, hogy az R rendszerben viszonylag egyszerűen létrehozható egy képlet (függvény) és az le is tárolható további felhasználásra, addig az Excelben ez kicsit bonyolultabb (32. ábra), de képlet ott is tárolható.

75

táblázat adatainak felhasználásával számítsuk ki.32.1743 21. amelynek a segítségével az eredmény kiszámítható. műtr. de előtte meg kell határozni azokat a láncviszonyszámokat.harm. ábra Az átlagos műtrágyázás az Alföldön R rendszer: Függvény létrehozása: > s. Az Excel ehhez a számításhoz biztosít egy függvényt.harm. x) sum(f) / sum(f/x) Függvény behelyettesítése: > s.műtr.átlag = function(f. ábra) 76 . feladat A 1.átlag(felh. amelyből mértani átlagszámítást el tudjuk végezni.össz. hogy milyen ütemben változott 1995 és 2004 között Magyarországon a foglalkoztatottak száma. (33.1ha) Eredmény: [1] 118.

003700 77 .kereső) Eredmény: [1] 1. 1. és azután számolja az átlagot. hogy először számítsa ki a láncviszonyszámokat. ábra Az aktív keresők számának átlagos növekedési üteme Az R rendszerben létre kell hozni egy függvényt.33. Függvény létrehozása > mértani. A létrehozandó függvényt úgy is el lehet készíteni.átlag(aktív.átlag = function(x) +{ + x1 = x[-length(x)] + x2 = x[-1] + lánc = x2 / x1 + xprod = cumprod(lánc)^(1/(length(x)-1)) + xprod[length(xprod)] +} Az átlag kiszámítása > mértani.

hipotézisvizsgálatnak nevezzük.30 Hipotézistesztelés. hogy az adott hipotézis konkrét esetben elfogadható-e. Statisztikai hipotézisen egy. 31 A hipotézisvizsgálat menete A hipotézisvizsgálat első lépése a nullhipotézis képzése. vagy sem. hogy két adott minta ugyanabból az eloszlásból származott. Azt az eljárást. Igazolandó feltevésünk az – a termésnövekedés a valószínűségi változó -. vagy származhatott-e a minták egy konkrét eloszlásból. hogyan befolyásolja a műtrágya a valószínűségi változó eloszlását. vagy a megfigyelési lehetőségek korlátozottsága folytán. A statisztikai hipotézisek két nagy csoportra oszthatók. alapvető paraméteres és nem-paraméteres statisztikai próbák Gyakran előfordul. akkor paraméterre vonatkozó hipotézisről beszélünk. akkor eloszlásra vonatkozó hipotézisről beszélünk. nem tudunk közvetlen módszereket alkalmazni. Ha az egész alapeloszlás típusára vonatkozó feltevéssel élünk. stb. az alapeloszlás paramétereire. amelyben az az állítás jut kifejezésre. egy növénytermesztési kísérletnél az egyik parcellán nem adunk műtrágyát. amelynek segítségével eldöntjük. vagy a tényleges és a feltételezett alapeloszlás között nincsen különbség. hogy az ismeretlenek nagy száma. Abban az esetben. hanem például arra: lehetséges-e. várható értékét megváltoztatja-e. másikon pedig adunk bizonyos adagot. illetve érdeklődésünk nem az ismeretlen paraméter konkrét értékére irányul. hogy az eloszlás paramétere és annak feltételezett értéke. vagy magára az egész alapeloszlásra vonatkozó feltevést értünk. ha feltevésünk az ismert típusú alapeloszlás egy vagy több ismeretlen paraméterére vonatkozik. 78 . Például.

és ki kell jelölni azt az intervallumot. Ha a próbafüggvénynek az értéke beleesik a megadott intervallumba (elfogadási tartományba). a valószínűségi szintet pedig szignifikancia-szintnek nevezzük. hogy az eltérés a mintából kiszámolt átlag és az m érték között olyan minimális. Egy nullhipotézishez több alternatív hipotézis is megfogalmazható. hogy egy mintában egy valószínűségi változó átlaga szignifikánsan különbözik-e egy adott m értéktől. Az intervallum két végpontját kritikus értéknek. Nullhipotézis: a minta átlaga statisztikai szempontból megegyezik az előre megadott m értékkel. a vizsgált valószínűségi változó intervallum vagy arányskálán mért. amely tetszőleges valószínűséggel foglalja magában a próbafüggvény értékét. a vizsgált valószínűségi változó populáción belüli szórása ismert (tehát nem a minta alapján kell becsülnünk). amelyek lehetnek egyszerűek (H1: a = 2) és összetettek (H1: 1 < a < 3). [H1 : x ≠ m] A "statisztikai szempontból" kifejezés itt arra utal. Ezután létre kell hoznunk a próbafüggvényt. azaz nincsen szignifikáns eltérés a nullhipotézisünk feltételezése és a valóság között. A próba alkalmazásának feltételei: • • • a vizsgált valószínűségi változó normális eloszlású. ami a nullhipotézistől eltérő hipotézis matematikai megfogalmazása.A hipotézisvizsgálatokban fontos szerepe van az alternatív hipotézisnek. [H0 : x = m] Alternatív hipotézis: a minta átlaga statisztikai szempontból nem egyezik meg az előre megadott m értékkel. hogy pusztán csak a véletlen ingadozásnak tulajdonítható (ekkor a minta átlaga statisztikai szempontból 79 . Az egymintás u-próba azt vizsgálja. 32 u-próba Az u-próba lehet egymintás és kétmintás próba. akkor nincsen okunk kételkedni a nullhipotézis helyességében.

A kétmintás u-próba azt vizsgálja. mint ami a véletlennel magyarázható (ekkor a minta átlaga statisztikai szempontból nem egyezik meg mmel). amihez az átlagot viszonyítjuk.azonosnak tekinthető az m-mel). a vizsgált valószínűségi változók intervallum vagy arányskálán mértek. Nullhipotézis: a két mintában a két átlag statisztikai szempontból megegyezik. hogy két külön mintában egy-egy valószínűségi változó átlagai egymástól szignifikánsan különböznek-e. [H1 : E(x) ≠ E(y)] A kétmintás u-próba próbastatisztikája x− y 2 σx u= n + σ2 y m 80 . a vizsgált valószínűségi változók függetlenek. σ : a vizsgált valószínűségi változó ismert szórása. [H0 : E(x) = E(y)] Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik meg. és n : a minta elemszáma. A próba alkalmazásának feltételei: • • • • a vizsgált valószínűségi változók normális eloszlásúak. m : az előre adott érték. vagy jelentősen nagyobb. a vizsgált valószínűségi változók populáción belüli szórásai ismertek. Az egymintás u-próba próbastatisztikája x −m u= σ n ahol • • • • x a vizsgált valószínűségi változó átlaga a mintában.

s a vizsgált valószínűségi változó becsült szórása. a vizsgált valószínűségi változó intervallum vagy arányskálán mért. A próba alkalmazásának feltételei: • • a vizsgált valószínűségi változó normális eloszlású. amihez az átlagot viszonyítjuk és n a minta elemszáma. 81 . n az egyik minta elemszáma és m a másik minta elemszáma. y a másik valószínűségi változó átlaga a mintájában. [H1 : x ≠ m] Az egymintás t-próba próbastatisztikája x −m s n u= ahol • • • • x a vizsgált valószínűségi változó átlaga a mintában. σx az egyik valószínűségi változó korrigált szórása. σy a másik valószínűségi változó korrigált szórása. Nullhipotézis: a minta átlaga statisztikai szempontból megegyezik az előre megadott m értékkel.ahol • • • • • • x az egyik valószínűségi változó átlaga a mintájában. m az előre megadott érték. [H0 : x = m] Alternatív hipotézis: a minta átlaga statisztikai szempontból nem egyezik meg az előre megadott m értékkel. hogy egy mintában egy valószínűségi változó átlaga szignifikánsan különbözik-e egy adott m értéktől. Az egymintás t-próba azt vizsgálja. 33 t-próba A t-próba lehet egymintás és kétmintás próba.

1 A kétmintás t-próba azt vizsgálja. sy a másik valószínűségi változó korrigált szórása. A próba alkalmazásának feltételei: • • • a vizsgált valószínűségi változók normális eloszlásúak.Szabadságfok: n . Szabadságfok: n1 + n2 -1 82 . a vizsgált valószínűségi változók intervallum vagy arányskálán mértek. hogy két külön mintában egy-egy valószínűségi változó átlagai egymástól szignifikánsan különböznek-e. elegendő becsülnünk a minták alapján). Nullhipotézis: a két mintában a két átlag statisztikai szempontból megegyezik. [H1 : E(x) ≠ E(y)] A kétmintás t-próba próbastatisztikája x−y (n− ) * s +(m− ) * s 1 1 2 x 2 y t= * n* m* (n+m−2) n+m ahol • • • • • • x az egyik valószínűségi változó átlaga a mintájában. sx az egyik valószínűségi változó korrigált szórása. • a vizsgált valószínűségi változók függetlenek. a vizsgált valószínűségi változók szórásai megegyeznek (a kétmintás upróbától eltérően itt nem kell ismernünk az elméleti értéküket. [H0 : E(x) = E(y)] Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik meg. n az egyik minta elemszáma és m a másik minta elemszáma. y a másik valószínűségi változó átlaga a mintájában.

ábra) A számítás során kicsit eltérő adatokat kaptunk. 13. 8. az egyik csoport a gyógyszert kapja.test függvényt használhatjuk fel. (35. 34. nincsen igazi (szignifikáns) különbség az átlagok között. 10. 12. Az eredmény gyógyszer: 15. Azt vizsgálják. 10. 8 placebo: 15. 16. aki a másik anyagot. 15. 9. 14. 83 . 7. ábra) Az eredményből láthatjuk. hogy a két átlag egymástól szignifikánsan nem különbözik. a másik placebót. 12 Az Excelben a feladat az Eszközök – Adatelemzés – Kétmintás párosított t-próba a várható értékre menüben oldható meg. hogy mennyi idő alatt gyógyul meg az. ábra Gyógyszer hatásának vizsgálata Az R rendszerben a t. 14. 7. (34.22. de a végkövetkeztetés ugyanaz. 9. 14. 21. ezért két csoportot vizsgálnak. aki a gyógyszert kapja és mennyi idő alatt (nap). 8. feladat Egy új gyógyszer hatását mérik.

Az F-próbát a varianciaanalízis és a regresszióanalízis esetében alkalmazzuk.35. Nullhipotézis: a két mintában a két szórás statisztikai szempontból megegyezik. s2 a másik valószínűségi változó szórása. ábra Gyógyszer hatásának tesztelése 34 F-próba Az F-próba azt vizsgálja. [H 0 : σ1 = σ2] Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik meg. hogy két külön mintában egy-egy valószínűségi változó szórásai egymástól szignifikánsan különböznek-e. [H1 : σ1 ≠ σ2] A kétmintás t-próba próbastatisztikája F= ahol • • s2 1 s2 2 s1 az egyik valószínűségi változó szórása. 84 .

A χ2-próba próbastatisztikája χ =∑ 2 i =1 k (f i − fi* fi* ) 2 ahol • • • fi az i-edik ismérvváltozathoz tartozó megfigyelt gyakoriság. illetve a statisztikai ellenőrzések során gyakran előforduló feladat különböző sokaságok valamely ismérv szerinti megoszlásának összehasonlítása (illeszkedés-vizsgálat). egy-egy ismérvváltozathoz tartozó várható gyakoriság legalább 5 legyen. hogy a különbségek nem szignifikánsak. Ez a feltevés a próba nullhipotézise. A próba alkalmazásának feltétele: • • a sokaság legalább 50 tagú kegyen. feladat Egy kockával 150-szer dobtunk és a következő eredményt kaptuk: Pont Dobás 1 22 2 21 3 22 4 27 5 22 6 36 85 . fi* az i-edik ismérvváltozathoz tartozó várható gyakoriság. illetve ha a két tapasztalati megoszlás nem esik teljesen egybe. ezért ha egy megfigyelés (mintavétel) alapján kapott tapasztalati eloszlás gyakoriságai nem teljesen azonosak az elméleti sűrűségfüggvény szerint várható gyakoriságokkal. A sokaság eloszlásában szerepet játszik a véletlen. számításba kell vennünk.35 χ2-próba Az előzőekben tárgyalt hipotézis ellenőrzéseknél többször kellett a sokaság eloszlására vonatkozó feltételezéssel élnünk. Szabadságfok: k – 1 23. k a megkülönböztetett ismérvváltozatok száma.

A kapott adatok eloszlása megfelelő-e? Az Excelben végzett számítást a 36. és megállapítható. ami azzal is alátámaszthatunk. míg az R rendszerben végzettet a 37. ha elkészítjük a dobások hisztogramját vagy boxplotját. 36. Mindkét esetben ugyanazt kaptuk eredményül. ábra A kockadobás eloszlása illeszkedésének vizsgálata Excelben 86 . ábra tartalmazza. vagy a kettőt együtt. hogy nincsen okunk elvetni azt a hipotézist. ábra. hogy a kockadobás eredménye megfelelően illeszkedik a normális eloszlásra.

ábrán található.1).1) * (m . hogy a biztonsági övet bekötötték vagy sem. A próba szabadságfoka: (n . hogy a két változat nem független. A rendkívül alacsony p-érték alapján azt a következtetést kell levonnunk. feladat Egy vizsgálat az ütközések során elszenvedett károk komolyságát elemezte. (A megfelelő táblázat létrehozásához használni kell a data. 87 . A kérdés az volt. Függetlenség-vizsgálat a sztochasztikus kapcsolatok vizsgálatának egyik módszere. az alternatív hipotézis pedig az. ábra A kockadobás illeszkedésének vizsgálata R-ben A χ2-próbának az illeszkedés-vizsgálat mellett további nevezetes alkalmazásai a homogenitás-vizsgálat és a függetlenség-vizsgálat. ezért a függetlenségi feltételezésünket el kell vetni. hogy a két ismérv (változó) független egymástól. Függetlenség-vizsgálat esetén a nullhipotézis az. hogy nem. a szerint. ahol az n és az m a két minta változatainak a száma.frame függvényt. 24. hogy a biztonsági öv használata okoz-e különbséget? A vizsgálat eredménye: Sérülés(kár) szint kicsi közepes 647 359 4000 2642 Biztonsági öv Igen Nem nincs 12813 65963 Jelentős 42 303 Az eredmény a 38.37.

hanem az eloszlására nézve is feltételezzük az azonosságot a nullhipotézisben.2)/6.szab = table(kocka.nem. eredm. a másikat manipulálták.1.38.1. eredm. replace=T) > eredm.1. az egyik szabályos.szab) > chisq.test(rbind(eredm.szab. p=c(0. ábrán látható. 25. ábra A biztonsági öv használatának és nem használatának összehasonlítása A homogenitás-vizsgálat esetében az u.szab = sample(1:6.szab. 200.szab) > rbind(eredm.0.nem.1)/6.1.szab = sample(1:6. de még a nullhipotézis elfogadható. hogy mindkét adatsor ugyanabból az eloszlásból származik. ami a 39. hogy a két sorozat származhat-e ugyanabból az eloszlásból? Megoldás az R-ben: > kocka. A szabadságfok: (sorok száma – 1) * (oszlopok száma – 1).1. azaz származhat a két minta ugyanabból az eloszlásból. A kérdés.1.szab = table(kocka. 88 . A kérdés. hogy a két minta azonos sokaságból származi-e? A nullhipotézisünk az. p=c(1.nem.1.nem. feladat Van két dobókocka.100. replace=T) > kocka.és a t-próbákkal szemben az összehasonlított változóknak nemcsak a várható értékére.5.5.szab)) Az eredményt az R rendszerben számítottuk ki. Dobjunk a szabályos kockával 200-at és 100-at a manipulálttal.szab) > eredm.nem. A kapott eredmény elég alacsony.

4. 10. 7. 12.39. Mi a különbség a helyzeti és a számított középértékek között? Mi a kronológikus átlag és mikor használjuk? Milyen számokból szoktunk harmónikus átlagot számítani? Milyen viszonyszámokból számítanak mértani átlagot? Mi a módusz és a medián? Mi a kvartilis? Melyek a szóródás fő mérőszámai? Mi az interkvartilis terjedelem? Mit jelent a ferdeség és a csúcsosság? Mit értünk statisztikai hipotézisen? Mire használható az u-próba? Miben különbözi a t-próba az u-próbától? Milyen számításokban használjuk az F-próbát? Melyek a khi-négyzet próba alkalmazásai? 89 . 11. 2. 13. 14. ábra Homogenitás vizsgálat az R rendszerben Ellenőrző kérdések: 1. 6. 8. 3. 9. 5.

hogy az adott sokaság minden tagját megvizsgáljuk. • Egylépcsős Egylépcsős (csoportos) mintavételnek nevezzük az elsődleges egységek kiválasztását egy nyilvántartásból abban az esetben. hogy a sokaság jellemzőit a becsült értékkel közelítse meg. egyenlő valószínűséggel választjuk ki. M  37 Mintavételi eljárások A reprezentatív statisztika a mintavételi eljárások különböző módjain alapszik. melyek egy adott érték (a populációs paraméter) körül ingadoznak. Egy adott populációból  N  különböző mintát     vehetünk. varianciaanalízis A gyakorlatban szinte soha sincs arra lehetőségünk. ha a 90 . hanem a vizsgált jellemző szempontjából is különbözhetnek. melyek segítségével a populációra vonatkozóan megalapozott állításokat tehetünk. amelynél egyes esetekből általánosító következtetést vonunk le.36 Mintavételezés. A minket érdeklő sokasági változók jellemzőit (a populáció bizonyos paramétereit) a mintából számolt statisztikákkal becsüljük. ahol M a populáció elemszáma. N pedig a mintaelemszám. A mintajellemzők tehát maguk is valószínűségi változók. Véletlenen alapuló kiválasztás • Egyszerű véletlen Olyan kiválasztási eljárás. hogy olyan adatokat nyerjünk. Az így elkövetett véletlen hiba nagysága ellenőrizhető és korlátozható. amelynek során az egységeket a nyilvántartásból véletlenszerűen. A mintavétel célja. A reprezentatív megfigyelés célja. vagyis a következtetés azon formája. amelyek lehetnek: a. Ezek a minták nem csak összetételükben. A reprezentatív megfigyelés logikai alapja az indukció.

amelyekre a megfigyelés irányul. rétegen belül egyszerű véletlen kiválasztást alkalmazva. miközben arra törekszünk. standard hibával is. hogy a mintából származó becslések milyen mértékben szóródnak a populációs paraméter körül. Úgy is értelmezhető. foglalkoznunk kell az ún. Másodlagos mintavételi egységnek tekintjük azon sokaság egységeit. hogy a sokaságot n egyenlő rétegre osztjuk és rétegenként egy elemből álló mintát veszünk. hogy a populációs paraméter körüli bizonyos intervallumokba a mintabecslések mekkora hányada fog esni: a mintából származó becsléseknek közelítőleg 68 százaléka esik a paraméter körüli 1 standard hiba szélességű sávba (± 1 standard 32 33 Elsődleges mintavételi egységnek tekintjük a nyilvántartásban felsorolt egységeket. hogy minél homogénebb csoportokat nyerjünk. A sokaság egységeit kiegészítő információ alapján csoportosítjuk. • Többlépcsős A mintasokasághoz több lépcsőben jutunk el.kiválasztott elsődleges egységeken32 belül minden másodlagos egységet33 megfigyelünk. Az első lépésben kiválasztjuk az elsődleges egységeket. A kiválasztás az egyes rétegekből külön-külön és egymástól függetlenül történik. majd ezután a kiválasztott elsődleges egységeken belül végzünk további mintavételeket. vagyis megmondhatjuk. Szisztematikus kiválasztás A mintavétel alapját képező nyilvántartásból egyenlő távolságra álló egyedeket választunk ki. b. A standard hiba megmutatja. Egy becslő függvény szórását nevezzük az illető becslés standard hibájának. A korábban már tárgyalt átlag és szórás fogalmakon túl. • Rétegzett kiválasztás Lényege a minta belső összetételének mesterséges megjavítása. amelyeket rétegeknek nevezünk. Nem véletlen kiválasztás • • • Kvótakiválasztás Koncentrált kiválasztás Önkényes kiválasztás c. 91 .

vagy ahhoz valamilyen más tényező. normális eloszlású populáció átlagának az összehasonlítására szolgáló módszer. (pl. és csak egyetlen szempont szerint különböznek (pl. többféle kezelést vagy többféle betegcsoportot hasonlítunk össze). 39 Egytényezős varianciaanalízis 92 . hogy azt csupán a véletlen ingadozás okozza-e.hibányi távolságra). és becsléseknek közelítőleg 99.9 százaléka esik a paraméter körüli ±3 standard hiba szélességű sávba. Többféle varianciaanalízis van a kísérleti elrendezéstől függően. 38 A varianciaanalízis A varianciaanalízis több. akkor két.vagy többtényezős varianciaanalízissel hasonlítjuk össze az átlagokat. becsléseknek közelítőleg 95 százaléka esik a paramétertől ± 2 standard hibányi távolságra. Ha a csoportok függetlenek. ismételt méréses varianciaanalízist kell alkalmazni. akkor az ún. mert az átlagokat hasonlítja ugyan. A varianciaanalízis a tpróbák általánosítása több csoport esetére. pl. Azért hívják varianciaanalízisnek. ugyanazokon az egyedeken több mérést végeznek több időpontban. Amennyiben a csoportok függetlenek. azonos szórású. A varianciaanalízis a teljes adathalmaz teljes-szóródását (összvarianciáját) vizsgálja abból a szempontból. amelyet ANOVA néven is emlegetnek az angol elnevezés betűinek rövidítéseként (Analysis of Variance). vagy különböző kísérleti körülmények között). de többféle szempont szerint is vizsgálhatók (pl. Ha a csoportok összetartozó minták csoportjai. nemek szerint és kezelések szerint is). de ezt többféle módon definiált varianciák segítségével teszi. a csoportok átlagai közötti különbség is hozzájárul. akkor egytényezős varianciaanalízisről beszélünk.

többszörös összehasonlításokkal vagy kontrasztok vizsgálatával folytatható.. feltétel teljesülésére. A különbségek megtalálása további vizsgálattal. táblázat) Ha elvégeztük a szórásfelbontást.. Minden mérés hibával jár. Szórásuk azonos. hogy a populációk átlagai nem mind egyformák. akkor a két rész szórásnégyzet felhasználásával elvégezzük az F-próbát 93 . Y2. hogy a csoportok közt csak egyetlen szempont szerinti eltérést vesz figyelembe.. Az egyszempontos varianciaanalízis az összes varianciát két részre osztja.A t-próbát két független minta tesztelésére használtuk. pl. Az egyszempontos (egytényezős) varianciaanalízis több. (4. A varianciaanalízist hasonló célból használjuk. 2. 3. Szignifikáns eredmény esetén annyit mondhatunk. általában párhuzamos elrendezésű csoport valamely folytonos. Az egyes részsokaságokat jellemző Y1. hogy az egyes minták ugyanabból a sokaságból származnak-e. A kérdés éppen ez: annak eldöntése. normális eloszlású jellemzőjének átlagát hasonlítja össze úgy.. a mintaadatok csoportonként pusztán a véletlen miatt is különböznek. A varianciaanalízis alkalmazási feltételei: 1. Több csoport összehasonlítása lényegében a csoportok eloszlásának összehasonlítását jelenti. vagy nem.Yk ismérvek normális eloszlású valószínűségi változók.. a kezeléssel (csoportosítás) megmagyározott variancia és a hiba (amit a kezeléssel nem tudunk megmagyarázni). de általában több mint két független minta (kísérlet) összehasonlítására. Az összehasonlítás alapja az F-próba. A varianciaanalízis eredményei robusztusak (nem érzékenyek) az első két feltételtől való mérsékelt eltérésre. Az egyes részsokaságokból vett ni elemű minták (azaz a megfigyelések) függetlenek. mely az átlagok különbségeit jellemző ´csoportok közötti´ varianciát hasonlítja össze a véletlen ingadozást jellemző ´csoportokon belüli´ varianciával. de nagyon érzékenyek a 3.

táblázatban található tojástermelésének alapján vizsgáljuk meg. akkor a nullhipotézist el lehet vetni.3 k SSK= ∑ ni (Y i − Y )2 i =1 k-1 Hiba SSB= ∑ ∑ (Yij − Y i ) i = 1 j =1 k ni k −1 MSB=embed Equation. A kísérletben négyféle takarmányt etettek.F= SS K SS B Az F-próba esetén az a feltételezésünk (nullhipotézisünk).3 2 i =1 ∑ ni (Y i − Y )2 n-k i = 1 j =1 ∑ ∑ (Yij − Y i )2 N−k k ni k ni Teljes 2 SS= ∑ ∑ (Yij − Y ) i = 1 j =1 k ni n-1 (Y − Y )2 MS= i∑ ∑ ij = 1 j =1 N −1 4. Ha az F-próba értéke kellő nagyságú. és a hozzátartozó szignifikanciaszint kellően kicsi. Minden kísérleti csoportban 5 tyúk volt. azaz a kezelés kellő magyarázó erővel rendelkezik Négyzetösszeg Csoportosítás (kezelés) k Szabadságfok Szórásnégyzet MSK=embed Equation. hogy az eltérő takarmányozásnak volt-e hatása a tojástermelésre? 94 . táblázat A varianciaanalízis táblája 26. A tyúkok az 5. feladat Tyúkok tojástermelését vizsgálták egy takarmányozási kísérletben. azaz az adatok szórása nem magyarázható meg kellő „súllyal” a kezeléssel. hogy a kezelés és a hiba szórásnégyzete szignifikánsan nem különbözik.

ábra mutatja be. ábra A takarmánykísérlet értékelése Excelben 95 . hogy az eltérő takarmányozásnak van hatása és az eltérések nem a véletlennek tudhatók be. Takarmány A B C D 1 94 114 97 81 2 86 99 84 77 Tyúkok 3 69 97 94 90 4 78 108 87 85 5 73 111 93 75 5. A számítás eredményét a 40.A varianciaanalízis megoldására az Excelben az Eszközök – Adatelemzés – Egytényezős varianciaanalízis utasítást használjuk. táblázat A takarmányozási kísérlet eredménye 40. amelyből megállapítható.

Az R rendszerben történő megoldást a 41.k2. main="Takarmányozási kísérlet".k4) > boxplot(s. hogy az egyes kísérletek eredményei láthatóan eltérnek egymástól. Az előző megállapítás azt jelenti. 41. > s = data. Az ábrából láthatjuk. ábra is mutatja. hogy a takarmányozásnak van hatása a tyúkok tojástermelésére. ylab="Tojástermelés". és a kezelés szignifikánsan különbözik a hibától. hogy az F-próba szignifikancia szintje 0. + xlab="Takarmányok") 96 .1 %. ábra Az R rendszerben elvégzett varianciaanalízis A boxplot felhasználásával ábrázolhatjuk is a kísérletet. A 42.frame(k1.k3. azaz a nullhipotézist el kell vetni. ábra tartalmazza.

5. hogy összehasonlítja a három értékelő eredményét (43. 4. ábra A takarmányozási kísérlet eredményének ábrázolása boxplot diagrammal 27. értékelő: 4. 3. Az értékelés eredménye 1. értékelő: 4. 2. 5.42. 4. ha az értékelők személye döntené el a pályázat sorsát. 4. Az értékelést 1-5 pontos rendszerben végezték. 5. 5. ezért a bizottság úgy döntött. ábra). 4. Ugyanakkor nem szeretnék. 4. 5 2. feladat Az egyik iskolában 27 ösztöndíj pályázatot kell értékelni. 4 97 . A pályázatokat véletlenszerűen osztották szét az értékelők között. A munkát a gyorsabb eredmény érdekében 3 emberre bízták. 3.

98 . hőmérséklet} párosítás esetén azonos számú megfigyelés áll rendelkezésünkre a növények magasságát illetően. kezelés és nemek szerint). a kezelések közötti különbségek) hatásán kívül vizsgálható a kettő kölcsönhatása (interakció) is. ábra A pályázatértékelők összehasonlítása 40 Kéttényezős varianciaanalízis A kéttényezős varianciaanalízisben az összehasonlítandó csoportok két független szempontból is vizsgálhatók (pl.3. továbbá különböző hőmérsékleten tartjuk őket (alacsony és magas). Ez az elemzés nem veszi figyelembe a hőmérséklet hatását. a kezelések közötti különbségek függnek-e a nemtől). 5. 5. 4. Mind a hat lehetséges {tápoldat. 4. 2. 4 43. Ebben az esetben a varianciaanalízissel a következőket vizsgálhatjuk: • Vajon a növények magasságára vonatkozó mérések a különböző tápoldatok esetében ugyanabból a sokaságból származnak-e. mint különkülön (pl. vagyis az. Ekkor a két tényező (pl. B és C). A többtényezős varianciaanalízisben többszörös kölcsönhatások is szerepelnek. A növényeket különféle típusú tápoldattal kezeljük (A. ha az adatok két különböző dimenzióba sorolhatók. 4. Adott például egy kísérlet. hogy a két tényező együtt másképpen hat-e. A kéttényezős varianciaanalízis használható. értékelő: 3. ahol a növények magasságát mérjük.

Megoldás az R rendszerben: > toxi = read. A kéttényezős varianciaanalízis lehet ismétléses (cellánként több megfigyelés) vagy ismétlés nélküli (cellánként egy megfigyelés).txt". B. ismétlés nélküli varianciaanalízis akkor használható. hogy az oszlopneveket közvetlenül használjuk a függvényekben. a kéttényezős. 28. hőmérséklet} párhoz) csak egy megfigyelés tartozik. táblázat tartalmazza.1//library//ascdata// + rats. Ebben az esetben elvégezhetjük a kéttényezős. hőmérséklet} párok esetében más hatások is felléphetnek. vajon az összes {tápoldat. II. data=toxi) 34 35 Az adatok rendelkezésre álltak file-ban. a vizsgálatokat 4 ismétlésben végezték. az egyes {tápoldat. D).3. ha az adatok két különböző dimenzióba sorolhatók. hőmérséklet} értékpárt jelölő hat minta ugyanabból a sokaságból származik-e. ismétléses varianciaanalízishez hasonlóan. 99 . Ebben az esetben a tápoldatok hatását hagytuk figyelmen kívül. feladat Egy patkányokon végzett toxicitás vizsgálatban 3 mérget használtak (I. a harmadik lépés elvégzéséhez viszont nem rendelkezünk elegendő adattal. A vizsgálat során a patkányok túlélési idejét mérték tíz órákban. ezért onnan kerültek beolvasásra. Az eredményt a 6.2)) > plot(idő ~ kezelés + méreg. Az alternatív hipotézis szerint nem kizárólag a hőmérséklet vagy a tápoldat változása okozhat eltérést. III) és négyféle kezelést alkalmaztak (A. Kéttényezős. ismétléses varianciaanalízis első és második lépését. • Figyelembe véve a különböző tápoldatok. C. Itt azonban feltételezzük. Lehetővé teszi. és a hőmérsékletkülönbség okozta eltéréseket (amelyeket az első és a második lépésben kimutattunk). header=TRUE)34 > attach(toxi)35 > par(mfrow=c(1.table("c://Program Files//R//R-2. hogy minden párhoz (például minden {tápoldat.• Vajon a növények magasságára vonatkozó mérések a különböző hőmérsékletek esetében ugyanabból a sokaságból származnak-e.

31 0.29 0. A 45.Méreg I Kezelés A 0.31 0.45 0.22 0.61 0.21 0.71 0.66 0. csak itt megadásra került a második tényező is.38 0.46 0. hogy az egyes tényezőkön (hatásokon) belül szignifikáns különbség van.33 II III Az számítások elvégzése során elkészítettük az egyes tényezők boxplot diagramjait (44.62 0.30 0. amit az egytényezős esetben.30 0.40 0.23 B 0.22 D 0.10 0.40 0.29 6. amelyek bemutatják a tényezőkön belüli szempontokhoz tartozó adatok elhelyezkedését. Ugyanakkor a tényezők kölcsönhatása nem szignifikáns.71 0. 100 .56 1. A varianciaanalízis eredményéből azt láthatjuk.36 0.45 0. Ezt követően elvégzésre került a kéttényezős varianciaanalízis.35 0.63 0.36 0.31 0.76 0.92 0.43 0.43 0. amelynek eredménye a 45.45 0. ábrán látható.44 0.49 1. ábrából azt is láthatjuk.23 0.24 0. hogy a kéttényezős varianciaanalízis számításhoz ugyanazt a függvényt használtuk.02 0.88 0.18 0.37 0. táblázat A toxicitási kísérlet eredménye C 0.72 0.25 0.24 0. azaz az egyes mérgek és kezelések egymástól szignifikánsan különböznek.23 0.82 1.38 0. ábra). A függvény segítségével többtényezős varianciaanalízis is elvégezhető.

ábra A toxicitás vizsgálat varianciaanalízisének eredménye 101 .44. ábra A toxicitási vizsgálat boxplot diagramjai 45.

vagy többtényezős varianciaanalízisre? 7. Minek a megállapításában játszik szerepet az F-próba az egytényezős varianciaanalízisben? 6.Ellenőrző kérdések: 1. Mikor van szükség két. Mi a mintavétel célja? 2. Milyen típusai lehetnek a kéttényezős varianciaanalízisnek? 102 . Mi a standard hiba? 4. Melyek az egytényezős varianciaanalízis jellemzői? 5. Milyen mintavételi eljárásokat ismerünk? 3.

42Korrelációszámítás Amikor két változó mennyiség úgy függ össze egymással. hogy az y eloszlása az x változásával meghatározott módon szintén változik. A függvény alakját a változók közötti kapcsolat jellege szabja meg. vagy ha már vannak ismereteink. az ennek hatására változó másikat függő változónak tekintjük.és regresszióanalízis. Gyakran előfordul azonban olyan. az illetve összefüggés vizsgálatról beszélünk. kétváltozós. oly módon. függvénykapcsolatról beszélünk. Magát összefüggést korrelációnak is nevezik. Ilyenkor az összefüggést az egyik változó (x) és a másik változó (y) várható értéke között tudjuk megadni. Két mennyiség közötti kapcsolat szorosságát jellemző mérőszámok közül a legelterjedtebb a korrelációs együttható. akkor az előre felállított modell (hipotézis) érvényességét ellenőrizzük. Ebben az esetben az x és y közötti összefüggést korrelációs kapcsolatnak nevezzük. vagy Pearson-féle korrelációs együttható. hogy két paraméter (változó) vagy egyidejűleg több tulajdonság többváltozós egymás közötti összefüggését vizsgáljuk.41 Korreláció és regressziószámítás A kísérletek során a rendszer állapotát jellemző paraméterek kapcsolatát vizsgáljuk. Aszerint. Tehát a korrelációs kapcsolat közbenső állapotot foglal el a pontos függvényszerű összefüggések és a változók teljes függetlensége között (az ilyen jellegű kapcsolatot sztochasztikusnak is nevezik). A nyert adatok alapján felállítjuk a rendszer matematikai modelljét. 103 . és a mérések közötti lineáris kapcsolat szorosságát méri. Az összefüggés-vizsgálattal foglalkozik a korreláció. Az általunk tervszerűen változtatott paramétert független változónak. Az együtthatót r-rel jelöljük. hogy a változó mennyiségek között nem teljesen határozott az összefüggés: a független változó (x) minden értékéhez a függő változó (y) bizonyos statisztikus sokasága tartozik. hogy a független változó adott értékéhez a függő változó egy jól meghatározott értéke tartozik.

akkor r = -1. hogy nincs korreláció közöttük (r = 0). Tegyük fel. akkor a mintából számított korrelációs együttható 0hoz közeli értéke arra enged következtetni. Y) együttes változásának mértéke. azt mondhatnánk. hogy elég nagy biztonsággal állíthassuk. H0: korrelációs együttható a populációban = 0 (r = 0. hogy nincs korreláció a két változó között. Ha a pontok egy egyenes mentén fekszenek. hogy egy populáció vizsgálata során ki tudtuk számítani a populációbeli korrelációs együtthatót két változó közötti lineáris kapcsolat mérésére.A korrelációszámítás képlete: A korrelációszámítás képletének számlálójában van a kovariancia. a két változó együtt változik vagy ellentétesen). ekkor azt mondjuk. ha egy mintát vizsgálunk. Ha a pontok nem fekszenek egy egyenes mentén. A kovariancia előjele határozza meg a korreláció irányát (pozitív vagy negatív. hogy a két változó között szoros vagy magas korreláció van. Tehát. Ha a pontok pontosan rajta vannak egy növekvő egyenesen. hogy valóban fennáll. Ha ez az együttható 0 lenne. amely két változó (X. akkor r = 1. akkor azt mondjuk. A statisztikai szempontból el kell tudnunk dönteni. hogy nincs korreláció a két változó között. akkor r közel van +1-hez vagy -1-hez. A korrelációs együttható értéke mindig -1 és 1 között van. 0-tól távol eső (1-hez vagy -1-hez közeli) értékek pedig bizonyos korreláció meglétére engednek következtetni. hogy r értéke elég messze van-e 0-tól ahhoz. ha pedig egy csökkenő egyenesen vannak pontosan rajta. ρ = 0) H1: r ≠ 0 104 . vagy gyenge korreláció van közöttük (r közel van 0-hoz.). ezért nevezik együttes szórásnak is.

. i=1. Szeretnénk az yi-t (a függő vagy eredményváltozót) az egyenes xi (a független vagy magyarázó változó) helyen felvett értékeivel közelíteni. többváltozós regresszióról beszélünk.xi’-vel. ha pedig több X változót is használunk. hogy az egyenes a legjobban illeszkedjen az eredeti sokaság pontjaira. vagy regresszióanalízis során két vagy több véletlen változó között fennálló kapcsolatot modellezzük.n]. Ha a függő változónkat egy magyarázó változó segítségével modellezzük. azaz az ’a + b . yi. vagy gyakran ε). Tegyük fel. a következő. keresztmetszeti. akkor kétváltozós regresszióról. A regressziós egyenletben a magyarázandó vagy függő változót (Y) a magyarázó változók vagy regresszorok (X) segítségével magyarázzuk. Bebizonyítható. hogy ha igaz a nullhipotézis. A közelítés akkor jó.. 44 Kétváltozós lineáris regresszió A kétváltozós lineáris regresszió egyenletének általános alakja Y=a+b*X A regressziószámítás során úgy szeretnénk meghatározni az ’a’ és a ’b’ értékét. A regressziós modell tulajdonságai alapján megkülönböztethetünk lineáris és nemlineáris regressziót. t-vel jelölt statisztika t-eloszlású n-2 szabadságfokkal: 43 Regressziószámítás A statisztikában a regressziószámítás. A regressziós egyenletek fontos eleme a maradék (reziduum) vagy hibaváltozó (e.Ez a próba egy t eloszlású statisztikával hajtható végre. . hogy ’n’ számú megfigyeléspárunk van: [xi. 2.. és panel regresszióanalízist. u. az adataink alapján pedig idősor. ha az ’yi – 105 . vagyis a modellünk által nem magyarázott rész.

106 ... yn minták standard eltérései (szórásai). xn és az y1. . Mivel ezek a különbségek pozitívak és negatívak is lehetnek.(a + b * xi)’ különbségek kicsik. A képletből látható.. mivel a standard eltérés mindig pozitív. vegyük ezek négyzetét és összegezzük a különbségek négyzetét. Bizonyítható. mint a korreláció szignifikanciájának vizsgálatára. hogy az ’r’ és a ’b’ előjele megegyezik.. x2. . hogy ugyanaz a t-próba alkalmazható a regressziós együttható nullától való eltérésének szignifikanciájára. Tehát negatív korreláció esetén a regressziós egyenes meredeksége negatív és fordítva. Így a következő összeget kapjuk. y2. . melyet minimalizálnunk kell: A fenti összefüggésből következően a regressziós együtthatókat a következő képletekkel tudjuk meghatározni: A korrelációs és regressziós együttható között fennáll a következő összefüggés: ahol az sx és az sy az x1. .

3 Gazdaság sorszáma 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Földminőség aranykorona/ha 24.1 8. hogy a regressziós függvénnyel az adott összefüggés jól leírható. hogy a független változó mintegy 88 107 .3 14.9 9. valamint az Eszközök – Adatelemzés – Regresszió utasításokkal végezhető el.2 19.5 9.7 10. illetve a termésátlagot befolyásolja a föld minősége.0 8.8 10.6 18.3 8.4 19. Az ábrából látható.3 9.2 7.9 19.1 8.1 40.5 7.0 8. A számítás eredményét a 46.3 20.0 8.0 8.2 9.1 15.1 21. és az Fpróba értékei alapján az is megállapítható.1 34.29. Határozzuk meg a föld minősége és a kukorica termésátlaga közötti összefüggés szorosságát. feladat Hajdú-Bihar megye néhány gazdaságában az adott földminőség mellett a kukorica termésátlaga a 7.2 17. táblázatban látható módon alakult.6 32.3 7. hogy a vizsgált két tényező között szoros pozitív korreláció van.2 28. Ellenőrizzük a korrelációs együttható megbízhatóságát. ábrán láthatjuk.1 38.és regressziószámítás az Excel táblázatkezelőben az Eszközök – Adatelemzés – Korreláció.5 8. táblázat A kukorica termésátlagának alakulása A korreláció.7 19.5 17.0 10.5 26. Kukorica termésátlaga t/ha 8.0 8.9 9.1 18.2 25. Az rnégyzet vagy determinációs együttható azt jelzi.

Az ’lm’ egy objektum orientált függvény. ami azt jelenti. A kiszámított t-próbák alapján megállapítható. ábra A földminőség és a kukorica termésátlag közötti összefüggés kiszámítása Az R rendszerben a regresszió számításnak többféle lehetősége is van. Mi ezek közül az ’lm’ függvénnyel foglalkozunk. 108 . 46.%-ban határozza meg a függő változót. Az F-próba segítségével az egész regresszióval kapcsolatos megállapításokat tehetünk. hogy mindkét együttható szignifikánsan nagyobb a nullától. hogy az alapszámítás elvégzése után az egyes objektumok meghívásával a regresszió eredményének további részeit jeleníthetjük meg. azaz a földminőség a kukorica termésátlagát. míg az együtthatók megbízhatóságát (nullától való különbözőségüket) a tpróbával ellenőrizhetjük.

(48. Az egyik ilyen lehetőség a ’summary’ függvény használata. A 47. ábra) A 48. ábra felső részén az ’lm’ függvény használatával megkaptuk a regressziósfüggvény együtthatóit. Ha több információt szeretnénk kapni az összefüggésvizsgálatról. ábrából látható. hogy az összefüggés elég jól közelíthető egy egyenessel. akkor az ’lm’ eredményét egy változóba kell elhelyezni és ennek a változónak a segítségével többféle eredményt is előállíthatunk. amelynek az eredménye a 48. táblázat adatait használtuk fel és először elkészítettük a két változó összefüggésének pontdiagramját (47. ábra második részében látható. 109 . 47. ábra).Az elemzéshez a 7. ábra A földminőség és a kukoricatermés közötti összefüggés pontdiagramja Ezután elvégezzük a regresszió kiszámítását.

ábra Regressziószámítás az R rendszerben (kukoricatermés – földminőség) Az R rendszerben a regressziószámítás során. + sub="kukoricatermés = 5.residual) Az eredmény objektum (regr) felhasználásával elkészíthetjük a regressziós függvényünk grafikonját is (49. ábra): > plot(földmin. többek között.values) együtthatók ($coefficients) reziduumok szabadságfoka ($df.12 * földminőség") > abline(regr) 110 .94 + 0.48. + main="A kukoricatermés és a földminőség közötti összefüggés". kuk. például a következő jellemzők előállítására van lehetőségünk: • • • • reziduumok ($residual) számított értékek ($fitted.termés.

1 %). 111 . hogy a földminőséggel jól magyarázható a termésátlag változása (szignifikanciaszint < 0. ábrán látható grafikonokat készíti el a regresszióhoz kapcsolódóan. ábra A regressziós függvény ábrázolása Ha a regressziós objektumot adjuk a plot grafikus függvény paraméterének. akkor a rendszer az 50. ábrán láthatjuk.49. Az 51. Az ’anova’ függvény felhasználásával kiszámíthatjuk a regresszió F-próba értékét is. hogy a magas F-érték azt jelzi.

ahol az 112 . ábra A regresszió varianciaanalízise A nem-lineáris regresszióval részletesen nem foglalkozunk. ábra A plot(regr) eredménye 51.50. mert az alapadatok transzformálásával bármilyen olyan regressziós függvény előállítható.

A többváltozós regresszió esetén is először az Excelben történő megoldást mutatjuk be. Az R rendszerben a transzformációt a regressziót meghatározó függvény is el tudja végezni. Kapott regressziós együtthatókat parciális regressziós együtthatóknak nevezzük. Az ismérvek között sokfajta és bonyolult oksági kapcsolat létezhet. de ha további információkra is szükségünk van.alapfüggvény linearizálható. A teljes kapcsolat szorosságát a totális (többszörös) korrelációs együtthatóval fejezzük ki.. Sorszám Kijuttatott műtrágya hatóanyag (kg/ha) N P K Termésátlag t/ha 113 . további eredményekhez is hozzájuthatunk. Az egyes változó kombinációk egymásra hatását pedig a parciális korrelációs együtthatók fejezik ki. csak ebben az esetben az egy eredményváltozó mellett több magyarázó változó szerepel. A paramétereket értelemszerűen kell megadni. vagy pedig az eredményt szeretnénk más számításban felhasználni. általában elegendő az alapértékek megadása (változók és az output helye). hogy többváltozós regressziószámításról akkor beszélhetünk. pl. ábrán a regressziószámítás paramétereinek megadását mutatjuk be. 45 Többváltozós lineáris regresszió A kétváltozós lineáris regresszió egyenletének általános alakja Y = a + b1 * X1 + b2 * X2 + . ha a kapcsolat vizsgálat egyidejűleg kettőnél több ismérvre terjed ki. + bn * Xn Az egyenletből is látható. akkor a további paraméterek megadásával. az 53.. ábra pedig a megoldás eredményét tartalmazza. Ennek a struktúrája teljes mértékben megegyezik a kétváltozós regressziónál bemutatottal. A 52.: lm(log(y) ~ x). A többváltozós regressziószámítás számítógépes megvalósítási szempontból nem különbözik a kétváltozós esettől.

5 3.4 8.9 3.2 3.2 4.0 5. táblázat A műtrágyázás hatása a termésátlagra 114 .1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 131 179 214 134 147 171 135 255 129 139 123 242 227 293 274 188 152 163 136 270 220 228 206 238 112 180 91 124 137 68 77 117 86 150 69 99 89 158 147 169 205 142 89 66 84 188 161 145 97 106 59 110 84 99 99 69 55 103 73 105 54 94 101 58 112 108 129 144 65 45 86 70 96 85 84 102 58 98 5.7 7.1 4.2 8.2 3.2 9.6 7.8 8.9 3.9 8.6 8.5 4.5 3.5 3.7 9.8 5.1 6.5 5.7 6.8 6.1 6.

52. hogy egyikre sem mondhatjuk azt. (54. de a regressziós együtthatók külön-külön nem értelmezhetők. az állapítható meg. hogy szignifikánsan különbözik nullától. amit a regressziót megoldó függvényben meg is lehet adni. mint a kétváltozós esetben. A következőkben az R rendszerben mutatjuk be a többváltozós regressziószámítás megoldását. Ezt okozhatja a magyarázó változók közötti kölcsönhatás (kollinearitás) is. hogy a regresszióval jól bemutatható az összefüggés. ábra A többváltozós regressziószámítás paraméterezési lehetőségei az Excelben Az 53. 115 . Az Fpróba értéke alapján megállapítható. Ez azt jelent. hogy a független változókkal (műtrágya adagok) együttesen a függő változó jól megmagyarázható (ezt támasztja alá a többszörös korrelációs együttható magas értéke is). ábra) Ebben az esetben is ugyanazt a függvényt kell használni. Többváltozós esetben is lehetőség van a változók konvertálására. A magyarázó változókat ’+’ jellel összekötve tetszőleges változó megadható. ábra eredményeit értékelve a következő megállapításokat tehetjük. Ha viszont a parciális regressziós együtthatók t-próbáit vesszük vizsgálat alá.

ábra A többváltozós regresszió megoldása az R rendszerben 116 .53. ábra A többváltozós regresszió eredménye az Excelben 54.

Alapirányzat vagy trend. az alapirányzatnak a kimutatása. Ezután elvégezzük az átlagolást az első ’k’ taggal. vagy ennek egészszámú többszöröse legyen. Mindenekelőtt a fejlődés alapirányzatát célszerű megismerni. Az egyenlet paramétereinek meghatározása 117 .46 Idősorok elemzése Valamely jelenség fejlődését. majd mindig elhagyjuk az első tagot. Az idősorok komponenseinek áttekintése után könnyen megfogalmazhatjuk az idősorok elemzésének ebből adódó feladatait. Periodikus ingadozás. amivel a szezonindex-számítás foglalkozik. A statisztikai elemzés szempontjából a következő komponenseket különböztetjük meg: 1. A következő feladat az idényszerű hullámzás mérése lehet. de az idősorok jellemzőiből következően lehetőségünk van bizonyos egyszerűsítésekre. amíg az adataink el nem fogynak. Ezt a folyamatot addig végezzük. A lineáris trendszámítás során az ˆ y t = 0 + 1 *t b b egyenes egyenletét kell meghatározni. időbeli alakulását különböző tényezők idézik elő. hogy egy-egy ciklushoz tartozó adatok számával legyen egyenlő. amit úgy kell megválasztani. Ezt a trendszámítással tudjuk elvégezni. 2. A trendszámítás feladata az idősor fő komponensének. ami az idősor „kisimítását” jelenti. A mozgóátlagolás alapgondolata. azaz a szezonális. hogy a trendet az eredeti sor dinamikus átlagaként állítjuk elő. Az analitikus trendszámítás a regressziószámításra épül. Véletlen ingadozás. 3. A trendszámítás elvégezhető mozgóátlagolással vagy analitikus trendszámítással. és utolsónak betesszük a sor következő tagját. A fejlődés törvényszerűségeinek tanulmányozásakor az idősorok statisztikai elemzésének egyik fő problémája éppen az egyes komponensek elkülönítése. Először meg kell határozni a mozgóátlagolás tagszámát (k). ciklikus és véletlen ingadozásokat próbáljuk „eltüntetni”.

t.stl(log(co2). illetve idősorok ábrázolásához.jump = 1)) > plot(stllc <. > plot(stl(nottem. Például. amelyek közül a következőket szokták használni: • • • exponenciális trend. ábra 56. ábra 58. az ’arima0’ függvénnyel pedig autoregresszív modellekbe integrált mozgóátlagokkal végezhetünk számításokat.win = 50. az ’stl’ függvénnyel trend és szezonális komponensekbe transzformálhatjuk az idősort. logisztikus trend. stacionárius viselkedést mutató. Az előzőekben említett számításokon túl az idősorok elemzésében az utóbbi évtizedekben jelentős mértékben megnőtt az autoregresszív és mozgóátlagfolyamatok jelentősége (ARMA). t. vagyis az illesztést empirikus idősorok alapján végezzük. véletlen folyamatok jól közelíthetők az ARMA folyamatokkal. Az ARMA paraméterek meghatározását. A rendelkezésre álló modellek közül – terjedelmi korlátok miatt – csak az ’stl’ függvény néhány lehetőségét mutatom be. Az R rendszer ’stat’ csomagja több függvénnyel is rendelkezik az idősorokkal kapcsolatos számításokhoz. az ’ar’ függvénnyel autoregresszív modelleket hozhatunk létre. ábra 57.win = 4. ábra 118 . s.b0 = t =1 n ∑y n t b1 = ∑t * y t =1 n t ∑t t =1 n 2 Az idősor értékeinek transzformálásával nem lineáris trendfüggvényeket is meghatározhatunk. A gyakorlatban előforduló. Az ’nlme’ csomag ’gls’ függvényével pedig viszonylag komplex modelleket illeszthetünk. parabolikus trend. s. "per")) > plot(stl(nottem.window=21)) > summary(stllc) 55.

55. ábra Az adatok tendenciája simítás nélkül

56. ábra Az adatok tendenciája simítással 119

57. ábra Adatok logaritmusának a simítása

58. ábra Az idősor simítás eredménye

120

Ellenőrző kérdések: 1. Mit vizsgálunk a korrelációszámítással? 2. Mire használható a regressziószámítás? 3. Milyen következtetésekre juthatunk a regresszión elvégzett F-próba által? 4. Milyen következtetésekre juthatunk a regressziós együtthatókon elvégzett t-próbák által? 5. Milyen típusai vannak az idősorok elemzésének? 6. Mi az idősorelemzés lényege?

121

háttérváltozók érdekelnek bennünket. ami a terjedelmi korlátok miatt itt nem mutatható be. csak a számítások elvégzése jelentett problémát a megfelelő eszköz hiányában. Gyakran nagyszámú változóval dolgozunk. hogy egy-egy háttérváltozó feltehetően csak több megfigyelési változóval tudunk jellemezni. A komplex háttérváltozók felderítéséhez megfelelő többváltozós statisztikai eszközökre van szükségünk. 48 Faktor.47 Többváltozós statisztikai módszerek Az elemezni kívánt jelenségek többségénél nem lehet az összefüggéseket egyetlen tulajdonság. azok számának a meghatározása és számszerű kifejezése hozza a leglényegesebb előrehaladást. A rendelkezésre álló többváltozós statisztikai módszerek közül csak a legfontosabbakat tárgyaljuk. A háttérváltozók feltárást nehezíti. melynek elsődleges célja az adatcsökkentés és –összegzés. A bemutatott módszerek mindegyike nagyon sok olyan lehetőséggel rendelkezik. és azoknak is csak az alapjait. A tudományos kutatásban a jelenségkomplexumok mögötti háttérváltozók felismerése. amelyek egymással korrelálnak.és főkomponensanalízis Olyan statisztikai eljárás. A többváltozós módszerek alkalmazásának lehetőségét alapvetően az elmúlt évtized hatalmas mértékű számítástechnikai fejlődése tette lehetővé. Ezek számát a kezelhetőség érdekében csökkenteni kell. és sokszor a megfigyelt tulajdonságok mögött rejlő közös okváltozók. 122 . A faktoranalízis egy matematikai elemzési koncepció valamely többváltozós összefüggésrendszer háttérváltozóinak a feltárására. és ezeket néhány magyarázó főkomponens/faktor alapján jelenítjük meg. másrészt több háttérváltozó befolyásolhatja ugyanazt a megfigyelési változót. megfigyelési változó segítségével leírni. Az elemzés során az egymással kölcsönösen összefüggő változók közötti kapcsolatokat vizsgálunk. mert a módszerek már régen rendelkezésre álltak.

. amelyik több megfigyelési változót befolyásol) b – az egyedi faktorok súlya (egyedi faktor. A háttérváltozók feltárása szempontjából a kiindulási alap mindig a megfigyelési változók korrelációs mátrixa. Ugyanis. amelyik származhat mérési pontatlanságból.. Ha valamelyik megfigyelési változó egyetlen más változóval sem korrelál. addig van közös részük. Valamely X megfigyelési változó modellje a faktoranalízisben X i =aiI * FiI + iII * FiII + + iq * Fiq + + im * Fim + i Fie a . A faktorok nem korrelálnak egymással. de általában az várható. 2. akkor egy közös háttérváltozót feltételezhetünk. Arra is van azonban lehetőség. rotációnak. A megfigyelési változókból kell visszakövetkeztetnünk a háttérváltozókra.. Ha két vagy több megfigyelési változó között szoros korreláció van.A megoldáshoz nagyon kevés támpontunk van: 1.az i-edik standardizált megfigyelési változó. hogy saját. b e ahol X i . akkor feltételezhető. Ezt az eljárást nevezik ferdeszögű forgatásnak. A megfigyelési változók többé-kevésbé korrelálnak egymással.. amelyet matematikailag a korrelációs koefficiensekkel. hogy a háttérváltozók száma kisebb. amelyik csak egy megfigyelési változót befolyásol) e – a hibafaktor súlya (hibafaktor. korrelációs rendszert képeznek. a korrelációs együtthatók becslési hibájából) 123 . F . illetve az azokat összefoglaló korrelációs mátrixszal fejezünk ki. 3. ahány megfigyelési változónk van.a standardizált faktorváltozó (analóg a főkomponensanalízis standardizált C főkomponens változójával) a – a közös faktorok súlya (közös faktor. tehát tovább faktorizálhatók. a . önálló háttérváltozó idézi elő a rajta megfigyelt jelenséget. amíg korrelálnak. sőt a korreláció mértékét meg is határozzuk. hogy egymással korreláló faktorokat hozzunk létre. Legfeljebb annyi háttérváltozót feltételezünk.

az egyedi faktor és a hiba. ha a kapott főkomponenseknek valamilyen közös elnevezést tudunk adni. • • A változók számának a csökkentése. A csökkentésnek igazán akkor van értelme. amit kommunalitásnak neveznek (h2). q ∑a j =1 2 ij . • A A főkomponens ismérvek analízis (változók) alkalmazási lehetőségei az közül. A befolyásolás mértékét a faktorsúlyok négyzetei fejezik ki q 2 2 s i =∑aij +bim +ei2 2 j =1 ahol i – az X megfigyelési változó általános indexe. A főkomponens analízis a többváltozós statisztikai módszerek közül az egyik legfontosabbnak tekinthető.Az alapkérdés az. és ezáltal a sok megfigyelési változóból kevesebb főkomponens keletkezik. hogy az eredeti változókat korrelációjuk alapján főkomponensekbe vonjuk össze. a legfontosabbaknak talán a következők tekinthetők: vizsgált csoportosítása egymás közötti korrelációjuk. hogy a főkomponens analízis lényege. amelyek a sajátértékszámításra épülnek.a közös faktorok súlyainak négyzetösszege. Ezen a módszeren keresztül lehet világosan megérteni és követni mindazokat a többváltozós módszereket. Az előzőekből már látható. lehetővé válik csoportok képzése. 124 . kapcsolatuk szorossága alapján. hogy az X megfigyelési változó varianciáját milyen mértékben befolyásolják a közös faktorok. Változók csoportosítása és a csoportok grafikus ábrázolása. hogy jelentős mértékben csökkenteni tudjuk az eredeti változó számot. Felismerhetővé válnak az összetartozó változók. Az előzőek figyelembe vételével jól alkalmazható a főkomponens analízis a többváltozós regresszióanalízis helyett vagy annak kiegészítéseként. változócsoportokhoz háttérváltozók (közös okváltozók) rendelése által. A lényeg az. q – a közös faktorok száma.

a. hogy eltérő mértékegységű ismérvek is összehasonlíthatók legyenek. sajátértékei (karakterisztikus értékei) állnak. 2. Az új mátrix főátlójában balról jobbra csökkenő sorrendben az eredeti mátrix ún. hogy átlaguk 0. A standardizált értékek jellemzője.+uij * X i +. a λi-hez tartozó uj sajátvektor elemei az uij együtthatók. b.. A főkomponensek kiszámításának lépései: 1. Minden szimmetrikus mátrix átalakítható olyan diagonális mátrixszá. Ezután meg kell határoznunk az uij együtthatókat. A standardizálás egyik célja a mértékegységek kiküszöbölése. azaz mely változóknak kicsi a magyarázó ereje a függő (eredmény) változó vonatkozásában.A változók számának csökkentése során az is kiderül.+unj * X n =∑ ij * X i u 1 i =1 ahol Cj – a főkomponensek. amelyben a főátló összege egyenlő az eredeti mátrix főátlójának az összegével. ha egyáltalán van megoldás. továbbá a főátló elemei csökkenő nagyságba rendeződnek. főkomponensváltozók Xi – a standardizált ismérvértékek uij – a főkomponens koefficiensek p – az ismérvek száma Az uij koefficienseket a standardizált X változók kovariancia mátrixából számoljuk ki. Egy adott mátrixra csak egyetlen ilyen megoldás létezik.. Az uij 125 . A sajátértékkel meghatároztuk az új mesterséges C változók varianciáit. hogy az eredeti változókból (X) kiszámíthassuk a mesterséges változókat (főkomponenseket) (C). A standardizált változókból a főkomponens változók (Cj) kiszámítása p C j =u j * X1 +u2 j * X 2 +. Ezt az átalakítást végezzük el a sajátérték számítással. és ennek a j-edik sajátértékéhez. hogy melyek a jelentéktelen változó. szórásuk pedig 1.. függetlenül az eredeti mátrix sorainak sorrendjétől.. Az ismérvértékek standardizálása.

Két módszerben sok közös vonás is van.table("g://a//buzafaktor. és minden sajátértékhez egyetlen uj sajátvektor tartozik. feladat Egy élelmiszeripari laboratóriumban 14 búzafajtát vizsgáltak meg.2:5]. hogy milyen mértékben részesednek az egyes főkomponensek az összvarianciából.együtthatók egyenletenként más és más vektorokat képeznek (uI). hogy a főkomponensanalízisben a korrelációs mátrix főátlójában 1 szerepel. szimmetrikus A mátrixhoz p számú λ sajátérték. A vektorok meghatározása a sajátvektor számítással történik. és a búzák négy minőségi tulajdonságát mérték. A második számítás során arra kapunk választ. Az első számítás során megkaptuk a főkomponens együtthatók mátrixát. ábrán látható. 126 .txt". A vizsgálatot az R rendszerben végeztük el a ’prcomp’ főkomponenselemző eljárással (stats package). mint a főkomponens analízis. Az a főkomponenselemzés módszeréből következik. hogy mindig az első komponens részesedik a legnagyobb mértékben a varianciából és így tovább. Egy adott p rangú. 30. header=TRUE) > prcomp(búza[. scale = TRUE) > summary(fokomp) > fokomp$x > fokomp$scale > fokomp$center > plot(fokomp. míg a faktoranalízis esetén a kommunalitások. A faktoranalízis általánosabban alkalmazott matematikai módszer. Az eltérés – ami nem lényegtelen – mindössze annyi. Vizsgáljuk meg a tulajdonságok összefüggésrendszerét főkomponensanalízissel. main ="Búzafajták értékelése" ) A főkomponenselemzés eredménye az 59. > búza = read.

amelyeknek az a jellemzőjük. értékek jeleníthetők meg. a szórásuk pedig egyenlő a sajátértékeikkel.A harmadik és a negyedik utasítás az eredeti értékek átlagát és szórását írja ki (a főkomponenselemzés a regressziószámításhoz hasonlóan objektum orientált eljárás). factorMineR. ábrán a főkomponensváltozók értékei szerepelnek. ábrán az egyes főkomponenssúlyokat a 62. A faktoranalízis a főkomponensanalízishez hasonlóan számítható és hasonló ábrák. 59. hogy az átlaguk nulla. 127 . pl.: rfa. Az R rendszerben több függvény is van a faktoranalízis elvégzésére. ábrán pedig a főkomponensek elhelyezkedését ábrázoltuk. ábra A főkomponenselemzés eredménye A 60. A 61.

60. ábra A főkomponenselemzés főkomponensváltozói 61. ábra A főkomponensek súlyainak ábrázolása 128 .

amelyet kategóriába tartozás előrejelzésére lehet használni. és amelynél a kritériumváltozó kategorizált és a becslő változók intervallumskálák. A módszer kiindulási alapja. hanem egy kvalitatív tulajdonság két változata. több kvantitatív változó együttes figyelembevétele alapján. ahol azonban a függő változó nem kvantitatív. A diszkriminanciaanalízis a korábban már tárgyalt többváltozós regresszióanalízishez nagyon hasonló módszer. hogy minden megfigyelt egyedet megadott szempontok alapján előre egy meghatározott csoportba soroltunk.: A és B) szétválasztására alkalmas módszer. A módszer segítségével a következő kérdésekre adhatunk választ: 129 . A diszkriminanciaanalízis két csoport (pl.62. ábra A főkomponensek elhelyezkedése 49 Diszkriminanciaanalízis A diszkriminanciaanalízis olyan adatelemzési módszer.

. 130 . diszkriminanciaváltozót számítunk ki.. amely segítségével eldönthető. Az egyenlet Z =w X 1 +w X 2 +. a Z értéket. Megvizsgálhatjuk.. Erre alapvetően akkor van szükség. ha az eredeti értékekkel számítjuk ki a fenti összefüggést. vagy reprodukáljuk. +wp X 1 1 2 i ahol wi Xi a diszkriminancia együtthatókat a standardizált megfigyelési változókat jelenti Néha előnyösebb lehet. A diszkriminanciaanalízis az R rendszerben az ’lda’ függvénnyel végezhető el. +w X i +. Minden egyes egyedet több tulajdonság együttes figyelembevételével számszerű értékkel kívánunk jellemezni. Az megfigyelési egységeknek a két csoportba történt eredeti besorolásának helyességét kvantitatív változók alapján ellenőrizzük. A két csoportra középértékeket számíthatunk ki.. mert ilyenkor a megfigyelt értékkel kell a számítást végeznünk. hogy a két csoport különbsége mennyire függ az egyes tulajdonságoktól.• • • • • • Egynél több kvantitatív tulajdonság együttes figyelembevételével kimutatható-e szignifikáns különbség a két csoport között. egy közös diszkriminanciaegyenlettel egyedi Z értéket. Keresünk egy függvényt. ha utólag újabb megfigyelési egységről akarjuk eldönteni. hogy az egyik vagy a másik csoportba tartozik-e. amelyek segítségével számszerűsíteni tudjuk a két csoport közötti különbséget. függetlenül egy adott csoportba tartozásától. A Z érték ebben az esetben is ugyanaz marad. A diszkriminanciaanalízisben minden megfigyelési egységre. hogy egy további megfigyelt egyed melyik csoportba sorolandó.

hanem a változók halmazán belüli kölcsönös összefüggéseket vizsgálja. nem tesz különbséget függő és független változó között. hogy a vásárlók fejében mely termékek alkotnak egy klasztert.: mclust. A diszkriminanciaanalízis megköveteli a klaszterekbe tartozás előzetes ismeretét. A módszer nagyon hasznos lehet például a marketing területén.és a főkomponens analízis? 3. mint pl. A klaszteranalízis összefüggések halmazát vizsgálja. Az adott csoportba tartozó megfigyelési egységek viszonylag hasonlítanak egymásra. a csoportok az adatok alapján alakulnak ki. A klaszterelemzés elvégzésére az R rendszer több lehetőséget is biztosít. flexclust.50 Klaszterelemzés A klaszterelemzés célja az. akkor a szupermarketekben az áruk megfelelő egymás mellé helyezésével jelentős extraprofitra lehet szert tenni. Ezzel szemben a klaszterelemzésnél nem rendelkezünk előzetes ismerettel. de különböznek más csoportok tagjaitól. hogy a bevont változók szerint adott (k) számú homogén csoportot különíthessünk el. hiszen ha tudjuk. Mi a faktor. Mire használható a diszkriminanciaanalízis? 4.és a főkomponensanalízis lényege? 2. A klaszterelemzés és a diszkriminanciaanalízis is csoportosítással foglalkozik. Mi a klaszterelemzés lényege? 131 . Elsődleges célja. hogy a megfigyelési egységeket relatíve homogén csoportokba rendezze a kiválasztott változók alapján. Ellenőrző kérdések: 1. s ez alapján kialakít egy csoportosító szabályt. Miben különbözik a faktor.

2001. 2000. [http://zoonek2. Budapest. Computerbooks. [cran.N. Vincze I. Sváb J. [cran. Aula Kiadó.: Statistics with R. Budapest. 1975. 5.: Statisztika.Irodalomjegyzék 1.: Matematikai statisztika ipari alkalmazásokkal.: Excel közgazdászoknak: gazdasági feladatok megoldása. Mezőgazdasági Kiadó.pdf] 8. Zoonekynd. Közgazdasági és Jogi Könyvkiadó. 2000. Köves P. Venables.pdf] 7. J.: SimpleR – Using R for Introductory Statistics. Műszaki Könyvkiadó. Budapest. Budapest. V. 1975. H. D.rproject.-Smith.M. 2. W. Hunyadi L.: Általános statisztika. 3. Reidmacher.org/doc/manuals/R-intro.P.-Párniczky G. 2004.fr/UNIX/48_R/ all.: Az Excel függvényei A-tól Z-ig.free.org/doc/contrib/Verzani-SimpleR. Budapest.-Mundruczó Gy. 2005.: An Introduction to R.rproject. 9. Kovalcsikné Pintér O. 2005.-Vita L.html] 132 . 1979. 4. Aula Kiadó.: Többváltozós módszerek a biometriában. 6. Verzani.

Sign up to vote on this title
UsefulNot useful