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

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

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

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

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

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

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

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

amely ugyan tartalmaz statisztikai alrendszert is. A legkönnyebben hozzáférhető program a Microsoft Excel táblázatkezelő programja.3 Az adatfeldolgozást támogató számítógépes programok A vállalkozások napjainkban a kiélezett verseny követelményeinek csak számítógépes adatfeldolgozással tudnak megfelelni. Azt is látnunk kell. Általában olyan programokat célszerű beszerezni. Napjainkban nagyon sok statisztikai számításokra alkalmas program létezik. amely része a Microsoft Windows Office-nak. Sok statisztikai elemző program is létezik. A felhasznált számítógépes rendszerek egyre szélesebb szolgáltatásokat nyújtanak a felhasználóknak. és a használt programot megfelelő szinten használni képes felhasználókat igényel. és az áruk is egyre magasabb lesz. amelyek használata rövid idő alatt elsajátítható és a használatuk is viszonylag egyszerű. de az egész rendszer valójában egy integrált 7 . a táblázatkezelő programoktól az integrált statisztikai programrendszerekig. hogy az egyre többet tudó programok egyre bonyolultabbakká válnak. 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. Ezen rendszerek használata ugyanakkor a számítástechnikát. így szinte minden számítógépen hozzáférhető.

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

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

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

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

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

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

adatokkal. 5. 3. 2. 3 A ’>’ szimbólum a prompt jel. akkor azt a következőképpen tehetjük: 3. ezért ez a működési mód lehetővé teszi a gyors és egyszerű munkavégzést. 5. 6) > y = c(2. amely után lehet az utasításokat begépelni. 14 .4.5. 4. ábra). és minden elemhez hozzáadásra kerül 1 (4.6. 6. 4. A számítás során a két vektor megfelelő elemei szorzódnak össze. ábra A Statistical Lab induló felülete >3 x = c(1. 3.1) >z= x*y+1 Eredményül a z vektort kapjuk. ha az alábbi adatokkal a megadott összefüggést szeretnénk kiszámolni. hanem adatsorokkal dolgozunk. Például.8. 3.4.

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

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

és az utána lévő zárójelben kell megadni a függvény attribútumait9. 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. akkor a megadott értékkel számol a program.mean(x))^2) / (length(x) . ábra A „data frame” példa eredménye Az egyenlőségjel bal oldalán található „std” a függvény neve. olvashatunk be file-okból vagy akár az 8 9 A függvény létrehozását a képlet elemeihez ragaszkodva oldottam meg. 17 . Vihetünk be adatokat billentyűzetről.std = function(x) sqrt(sum((x .1))8 5. Ilyenkor. 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. Az egyenlőségjel jobb oldalán található függvényt a „function” utasítással kell kezdeni. ha az attributum hiányzik.

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

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

2. Mi a függvényvarázsló szerepe az MS Excelben? 8. Hogyan foglalhatók össze az R rendszer főbb előnyei? 20 . Milyen módjai vannak az adatgyűjtésnek? 3. Mit jelent az adat információvá válása? 4. Melyek az Microsoft Excel főbb jellemzői? 7. Melyek a statisztikai adatok fő fajtái. Melyek a számítógépes-adatfeldolgozás szakaszai? 5. és mi jellemzi azokat? 6. Az R statisztikai programnyelv (rendszer) jellemzői? 9.

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

ahol az ’a’ és a ’b’ értéke a probléma függvénye.b) intervallumon (a<b) (jele: X U(a. és arra ad választ. egyenletes-eloszlás. 7 Egyenletes eloszlás A diszkrét eloszlások közül az egyik legfontosabb az ún. X egyenletes eloszlású az (a.5 (50 %) a relatív gyakoriság. mint x. hogy az egyik legfontosabb valószínűségszámítási tétel. 22 .b) eloszlású).7 %). ezért bonyolultabban számítható várható értékét és szórását nem adjuk meg. osztályok számának reciprokával egyenlő: a "férfi-nő". azaz 0. valamennyi értékhez ugyanakkora gyakoriság tartozik. 1.167 = 16. ha a<x<b és f(x) = 0 egyébként. A diszkrét egyenletes-eloszlás bemutatását elsősorban az indokolja. 0. hogy melyik érték felel meg az adott valószínűségnek. jelentősége csekély. qbinom – kvantilis függvény: a p… függvény inverze. s ezért egyketted. hogy a véletlen változó kisebb. Ez a lehető legegyszerűbb eset. A relatív gyakoriság a különböző kategóriák. a dobókockánál egyhatod (0. 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. b− a Az egyenletes eloszlást a gyakorlatban igen ritkán alkalmazzuk. az egyenletes eloszlás értékei egy adott [a. illetve "fej vagy írás" esetében két osztály van. 2. ha 1 f ( x) = . Az előzőekből is következően. a központi határeloszlás tétele levezetését ennek segítségével szoktuk szemléltetni. vagy a lottóhúzás. hogy mennyi annak a valószínűsége. zöld.33 = 33 %). b] tartományba esnek. A diszkrét egyenletes eloszlás gyakorlati előfordulása viszonylag ritka. a közlekedési lámpa fénye (vörös. 0.• • • pbinom – eloszlásfüggvény: arra ad választ. sárga.

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

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

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

és így írjuk: X ~ Bernoulli(p) Az egyedi próbálkozásokat egy binomiális kísérletben Bernoulli-próbálkozásoknak nevezzük. hogy az X Bernoulli(p) eloszlást követ. azaz a P[X = k]-t a k valamennyi 0 és N közötti értékére. akkor azt mondjuk.bármely próba kimenete nem befolyásolja a többi próbák kimeneteit. Ha N = 1. 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. az X egy 0 és N közötti egész értéket vesz fel. és tudnunk kell a hozzákapcsolódó valószínűséget.. N Szórás N * * ( −p p 1 ) Relatív szórás ( −p 1 ) N* p 26 .

05 Excel megoldás: k=1 N = 20 Az „Eloszlásfv” attribútum a függvény fajtáját megadó logikai érték: ha IGAZ. hogy csak a sikeresek sikeresek). feladat Mekkora valószínűséggel találunk egy 5 %-os selejtaránnyal jellemezhető tömeggyártásból kivett 20 elemű véletlen mintában 1 db selejtes terméket? p = 0.3773536 27 . A megoldás a függvényvarázslóban található és értéke: 0.05) [1] 0. 20.ELOSZLÁS az eloszlásfüggvény értékét számítja ki (amely annak a valószínűsége. 0.5. egyébként a sűrűségfüggvényét (amely a sikeresek valószínűsége).377353603 Megoldás az R rendszerben: > dbinom(1. a BINOM.

A kezelést 4 páciens esetében alkalmazzák.75) > data. Az ad neki ekkora jelentőséget. 4.names="sikeresség") Eredmény a különböző sikerességi értékek esetén. amelyek az első oszlopban találhatók: 9 Poisson-eloszlás A diszkrét eloszlások közül legfontosabb a Poisson-eloszlás . A reagáló páciensek száma próbálkozásról próbálkozásra változni fog. 28 . row. Átlagosan 4 páciensből 3 reagál a kezelésre. mégpedig binomiális eloszlásnak megfelelően. hogy a gyógykezelés 75 %-ban eredményes. amely megfigyelési típusok a következő helyzetekben fordulnak elő: • egy vizsgálat tárgyköre.frame(sikeresség. 4) > valószínűség = dbinom(sikeresség. 1. feladat Tételezzük fel.6. 2. hogy minden 4 páciensből 3 mindig reagál a kezelésre. valószínűség.amely a binomiális eloszlás határesetként (bizonyos feltételek mellett) valósulhat meg. > sikeresség = c(0. A Poisson-eloszlás a diszkrét binomiális eseményekhez kapcsolódó eseményeket írja le. hogy igen gyakran lép fel a természetben és jó közelítését adja a gyakorlatban előforduló véletlen változónak. 3. 0. de ostoba dolog lenne azt gondolni. rendszerint egy terület vagy egy időblokk.

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

amely lehetőséget biztosít számunkra.: egy Poisson-eloszlás λ arányáról). 200 * 10 / 10000) [1] 0.200*10/10000.8187308 10 Exponenciális eloszlás Az exponenciális eloszlást olyan Poisson-folyamatok modellezésére használhatjuk. Az eloszlás általános statisztikai jellemző Átlag Λ Terjedelem 0 . λ időegységenként konstans valószínűséggel. amelyeknél egy kezdetben az A állapotban lévő objektum. egy λ paraméterű exponenciális véletlen változóval írható le. hogy a készülék 200 működési óra alatt nem romlik el! Excel: =POISSON(0.P[ X =k] = k λ * e−λ k ! A statisztika egyik alapvető témája az a mennyiségi (kvantitatív) vizsgálati mód. feladat Egy készülék meghibásodásainak átlagos száma 10000 működési óra alatt 10.HAMIS) 0. hogy a tanulmányozott jelenségről ismereteket szerezzünk (pl. Az időegység. Tehát az exponenciális eloszlás egy folyamatosan zajló folyamat állapotváltozási idejét írja le.818730753 R rendszer: > dpois(0. Határozzuk meg annak a valószínűségét. Az exponenciális eloszlás függvénnyel az események 30 . +∞ Szórás λ Relatív szórás 1 λ 7. a B állapotba tud elmozdulni.. amely alatt az állapot aktuálisan megváltozik.

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

1/2500). ábra Véletlenszerű exponenciális adatok 32 . + main=”Exponenciális eloszlás”. add=T) 9.9). ylab=”sűrűség”) > curve(dexp(x. > x = rexp(100. ábra). col=gray(0. probability=TRUE. 1/2500) > hist(x.figyelembe vételével készítsünk egy hisztogramot 100 véletlen szám generálásával (9.

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

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

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

akiknek a tépőfogmérete a populáció felső 5 %-ába esik. Excel: A megoldás előállítása a táblázatból nem látszik pontosan.[1] 66. 28. Azoknak az állatoknak a harapása halálos.87 %-ának a testsúlya fog 10 és 15 közé esni.tail = FALSE) [1] 34. hogy ez hány mm-es fogméretet jelent.05.87123 Tehát várhatóan a populáció 66.57941 36 . Számítsuk ki. amelynek segítségével meghatározzuk a standard normális eloszlás értékét. A megoldás előállításához fel kell használni az ”Eszközök” menüpontban lévő ”Célértékkeresés” almenüt. feladat A vámpír denevérek tépőfogainak a hossza normális eloszlást követ µ = 28 mm átlaggal és σ = 4 mm szórással. amely már a megadott intervallumba esik. R rendszer: > qnorm(0. 4. 10. lower. és annak felhasználásával a táblázat C5 cellájában látható képlet segítségével meghatározzuk azt az értéket.

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

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

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

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

ha egy név több részből áll. main="Élettartam teszt eredménye". ha az eredményt egy változóban eltároljuk (pl.: élettartam. + xlab="élettartam (perc)". plot = F20) 18 A hist függvénynek további paraméterei is vannak. ábra).hisztogram.> hist(élettartam. akkor a részeket ponttal lehet összekapcsolni. 19 Az R rendszerben.ylab="gyakoriság")18 13.jellemzők19) > hist(élettartam. A további parancsok a Help (?) utasítással megnézhetők. 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 . amelyekkel a hisztogram tovább fínomítható. ábra Az R rendszerben készített hisztogram Lehetőség van a hisztogram jellemzőinek a kiíratására és feldolgozására is (14.

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

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

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

lwd=10. + main="Poisson véletlen számok(lambda=5)". λ = 5 paraméterű véletlen számot. type = "p". és ábrázoljuk az egyes számokhoz tartozó gyakoriságokat egy pontdiagramban (17. > plot(table(rpois(100.xlab="véletlenszámok") Az oszlopdiagram a diszkrét – vagyis elkülönült elemekből álló. A számadatokat az oszlopok magassága jelzi. nem folytonos – kategóriákhoz tartozó számadatok szemléletes összevetésére szolgáló ábrázolási módszer. Az oszlopdiagram az értékek 45 .5)). ábra A grafikonvarázsló az Excelben. példa Generáljunk 100 db Poisson-eloszlású. 12. + ylab="gyakoriság".16. ábra). col = "red".

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

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

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

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

ahol megtalálható az adatokat leíró help-file is. Q1 Q3 Q3 + 1. egy ábrában (21. UA (United Airlines). és WN (Southwest Airlines). 50 . Az adathalmaz 46 sort és 11 oszlopot tartalmaz. amelyek különböző hónapokban tartalmazzák a taxik adatait. 25 A UsingR csomag betöltése. CO (Continental Airlines). ábra).• jó és gyors összehasonlítási lehetőséget biztosít különböző adathalmazok számára.5 * IQR 20. 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). AQ (Aloha Airlines). 26 A csomag több adathalmazt is tartalmaz. > library(UsingR)25 > data(ewr)26 24 Az EWR adatokat tartalmazó csomag megtalálható az R programrendszer könyvtárában a ”libraryUsingR” alkönyvtárban. min. AS (Alaska Airlines). HP (America West Airlines). ábra Általános boxplot ábrázolás 14. az ”ewr” adathalmaz betöltése. US (US Airways). NW (Northwest Airlines). T TW (Trans World Airlines). A repülőgépkódok: AA (American Airlines). extrém pontok max. DL (Delta Airlines).

az 1. oszlop az éveket.i] ~ as.aktuális = ewr[.> társaságok = names(ewr) > ewr. ábra) > par(mfrow=c(2. 51 . amelyekhez nincsen szükség az ábrázoláshoz. ábra Taxi beérkezési és kiindulási idők a Newark Repülőtéren Majd ábrázoljuk egy ”lapon”. a második a hónapokat tartalmazza.4)) > attach(ewr) > for(i in 3:10) boxplot(ewr[.3:10]27 > boxplot(ewr.factor(inorout). (22. main=társaságok[i]) > detach(ewr) 27 A szükséges oszlopok kiválogatása. de különálló boxplotokban a különböző légitársaságokhoz tartozó beérkezési és kiindulási időket.aktuális) 21.

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

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

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

col="lightgray") > simple. col="lightgray") > simple. a violinplot és a sűrűségdiagram formát is. data=InsectSprays) 57 . Tulajdonképpen az egy boxplot elkészítésével indul. data=InsectSprays. ábra) > library(UsingR) > data(InsectSprays) > par(mfrow=c(1. és azután a boxplot mindkét oldalához hozzáadódik egy sűrűség diagram. ábra A pairs függvény felhasználása páronkénti szórásdiagram előállítására A speciális ábrázolási lehetőségek közül a hegedű (violin) ábrát mutatjuk be.3)) > boxplot(count ~ spray. A hegedű ábra létrehozásához egy a rendszerhez tartozó adathalmazt használunk fel. data=InsectSprays. az InsectSprays-t.violinplot(count ~ spray. (26. A jobb megértés érdekében egymás mellett megadjuk a boxplot. amely az átláthatóság érdekében tükörképpel van megadva.densityplot(count ~ spray. ami a boxplot és a sűrűségdiagram lényegének a kombinációja.25.

mégpedig egy 3 dimenziós ábrát. hogy az ábrára rákerüljön az eloszlás függvény is. amely egy kétváltozós normális eloszlás sűrűségfüggvényét ábrázolja és felírjuk rá a képletet és a kezdőértékeket is (27. ábra). ábra A violindiagram ábrázolása a boxplot és a sűrűségdiagram társaságában Az ábrázolási lehetőségek közül végezetül egy bonyolultabb formát is bemutatunk. de szép ábrát kapunk.26. feladat Hozzuk létre a kétváltozós normális eloszlás 3 dimenziós ábráját úgy. (A feladat megoldása kicsit bonyolult. 17. és minimális programozási ismereteket is igényel.) 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.

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

rho==0. 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 .1. shade = .5. sigma[12]==15. ticktype = "detailed". sigma[11]==10. d = 0. theta = 30. r = 50. + ltheta = 90.75. lphi = 180. 3. phi = 20. 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. expand = 0. + sigma[22]==10. Az alapparaméterek kiírása az ábrára > mtext(expression(list(mu[1]==0.+ col = "lightgreen".5)). ábra A kétváltozós normális eloszlás 3 dimenziós ábrázolása Ellenőrző kérdések: 1. 4. 2. mu[2]==0.

és milyen kérdésekre adhat választ ez az ábrázolási mód? Milyen diagramokat foglal magában a violindiagram? 61 . 10. 8. 9. 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-. a vonal-. 12. 6. 11. 7.5. az oszlop.és a kördiagramot? Milyen főbb statisztikai jellemzők jelennek meg a boxplot ábrázolásban? Mi a lényege a páronként ábrázolásnak.

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

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

amelyet az egyes átlagolandó értékek helyébe helyettesítve.lehetnek például a különböző készlet kimutatások. Ebből következően a harmonikus átlag lényegében nem más. mint a megfigyelési egységek reciprokaiból számított számtani átlag reciprok értéke. Ebből következően. a harmonikus átlag az a szám. 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. illetve indexekből történő átlagszámítás esetén van szükség. amikor az átlagolandó értékek reciprok értékei összegének van tárgyi értelme. 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.

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

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

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

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

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

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

a két programban elvégezhető számításokat összevontan mutatjuk be. (29. 18. Ahogyan azt már korábban is megállapítottuk.50 3 853. általában egy statisztikai jellemző nem mindig jellemzi megfelelően a sokaságot.10 3 843.10 3 749.00 3 687.90 3 669. valamint a szóródáshoz tartozó. mert egy-egy adathalmazhoz célszerű többféle számítást is bemutatni.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.50 3 828.80 3 824. ábra) 71 .90 Év 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 1. Aktív keresők száma (fő) 3 727. táblázatban található adatok felhasználásával számítsuk ki a főbb statisztikai jellemzőket.60 3 654. feladat A 1.29 A középértékek és a szóródás kiszámításának lehetőségei az Excelben és az R rendszerben A számított és a helyzeti középértékekhez.

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

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

össz.műtr.átlag(felh. ábra Az átlagos műtrágyázás az Alföldön R rendszer: Függvény létrehozása: > s.harm. (33.1ha) Eredmény: [1] 118.32. műtr.1743 21. amelyből mértani átlagszámítást el tudjuk végezni. táblázat adatainak felhasználásával számítsuk ki. amelynek a segítségével az eredmény kiszámítható.átlag = function(f. de előtte meg kell határozni azokat a láncviszonyszámokat. x) sum(f) / sum(f/x) Függvény behelyettesítése: > s. Az Excel ehhez a számításhoz biztosít egy függvényt.harm. hogy milyen ütemben változott 1995 és 2004 között Magyarországon a foglalkoztatottak száma. feladat A 1. ábra) 76 .

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. hogy először számítsa ki a láncviszonyszámokat.33.átlag(aktív.003700 77 . és azután számolja az átlagot. ábra Az aktív keresők számának átlagos növekedési üteme Az R rendszerben létre kell hozni egy függvényt.kereső) Eredmény: [1] 1. Függvény létrehozása > mértani. 1. A létrehozandó függvényt úgy is el lehet készíteni.

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

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

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

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

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

ezért két csoportot vizsgálnak. 10. de a végkövetkeztetés ugyanaz. 14. nincsen igazi (szignifikáns) különbség az átlagok között. 7. 14. 9. 9. 8. feladat Egy új gyógyszer hatását mérik.test függvényt használhatjuk fel. 13. aki a gyógyszert kapja és mennyi idő alatt (nap). Azt vizsgálják. 7. 34. (35. 8. az egyik csoport a gyógyszert kapja. 10.22. hogy a két átlag egymástól szignifikánsan nem különbözik. ábra Gyógyszer hatásának vizsgálata Az R rendszerben a t. aki a másik anyagot. ábra) A számítás során kicsit eltérő adatokat kaptunk. ábra) Az eredményből láthatjuk. a másik placebót. 83 . (34. Az eredmény gyógyszer: 15. 8 placebo: 15. 21. 16. hogy mennyi idő alatt gyógyul meg az. 12. 14. 12 Az Excelben a feladat az Eszközök – Adatelemzés – Kétmintás párosított t-próba a várható értékre menüben oldható meg. 15.

Nullhipotézis: a két mintában a két szórás statisztikai szempontból megegyezik. [H1 : σ1 ≠ σ2] A kétmintás t-próba próbastatisztikája F= ahol • • s2 1 s2 2 s1 az egyik valószínűségi változó szórása. 84 . Az F-próbát a varianciaanalízis és a regresszióanalízis esetében alkalmazzuk. 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.35. [H 0 : σ1 = σ2] Alternatív hipotézis: a két mintában a két átlag statisztikai szempontból nem egyezik meg. s2 a másik valószínűségi változó szórása.

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

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

37. ezért a függetlenségi feltételezésünket el kell vetni. a szerint. A próba szabadságfoka: (n . ábrán található. 24. hogy nem. Függetlenség-vizsgálat a sztochasztikus kapcsolatok vizsgálatának egyik módszere. ahol az n és az m a két minta változatainak a száma. A rendkívül alacsony p-érték alapján azt a következtetést kell levonnunk. ábra A kockadobás illeszkedésének vizsgálata R-ben A χ2-próbának az illeszkedés-vizsgálat mellett további nevezetes alkalmazásai a homogenitás-vizsgálat és a függetlenség-vizsgálat. hogy a két ismérv (változó) független egymástól. hogy a két változat nem független. feladat Egy vizsgálat az ütközések során elszenvedett károk komolyságát elemezte. hogy a biztonsági övet bekötötték vagy sem. (A megfelelő táblázat létrehozásához használni kell a data. Függetlenség-vizsgálat esetén a nullhipotézis az. az alternatív hipotézis pedig az. A kérdés az volt. 87 .1).frame függvényt.1) * (m . 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.

1.szab = sample(1:6.1.szab = sample(1:6. hogy a két minta azonos sokaságból származi-e? A nullhipotézisünk az. hogy mindkét adatsor ugyanabból az eloszlásból származik. eredm.1. replace=T) > kocka.0.szab) > eredm. replace=T) > eredm.1. ábra A biztonsági öv használatának és nem használatának összehasonlítása A homogenitás-vizsgálat esetében az u. eredm.szab) > rbind(eredm.test(rbind(eredm. ábrán látható.szab) > chisq.nem.38.és a t-próbákkal szemben az összehasonlított változóknak nemcsak a várható értékére.1. p=c(0. feladat Van két dobókocka.szab)) Az eredményt az R rendszerben számítottuk ki.szab.nem.szab = table(kocka. a másikat manipulálták.nem.5. A kérdés. hanem az eloszlására nézve is feltételezzük az azonosságot a nullhipotézisben. azaz származhat a két minta ugyanabból az eloszlásból. A kapott eredmény elég alacsony. 25.szab = table(kocka. ami a 39. A szabadságfok: (sorok száma – 1) * (oszlopok száma – 1). p=c(1.2)/6. de még a nullhipotézis elfogadható.1)/6. A kérdés.5.100.nem.1. 200. Dobjunk a szabályos kockával 200-at és 100-at a manipulálttal. hogy a két sorozat származhat-e ugyanabból az eloszlásból? Megoldás az R-ben: > kocka. 88 .szab.1.nem. az egyik szabályos.

6. 4. 8. 12. 11. ábra Homogenitás vizsgálat az R rendszerben Ellenőrző kérdések: 1. 14. 7. 3. 10. 5.39. 9. 2. 13. 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 .

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

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

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

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

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

ábra mutatja be.A varianciaanalízis megoldására az Excelben az Eszközök – Adatelemzés – Egytényezős varianciaanalízis utasítást használjuk. amelyből megállapítható. táblázat A takarmányozási kísérlet eredménye 40. 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. hogy az eltérő takarmányozásnak van hatása és az eltérések nem a véletlennek tudhatók be. ábra A takarmánykísérlet értékelése Excelben 95 .

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

5. 4 97 . 4. ábra). 4. 4. Az értékelés eredménye 1. feladat Az egyik iskolában 27 ösztöndíj pályázatot kell értékelni. 5. ábra A takarmányozási kísérlet eredményének ábrázolása boxplot diagrammal 27. 2. 3. hogy összehasonlítja a három értékelő eredményét (43. ha az értékelők személye döntené el a pályázat sorsát. Ugyanakkor nem szeretnék. értékelő: 4. ezért a bizottság úgy döntött. 5 2.42. értékelő: 4. 4. 5. 3. 5. 4. A pályázatokat véletlenszerűen osztották szét az értékelők között. Az értékelést 1-5 pontos rendszerben végezték. A munkát a gyorsabb eredmény érdekében 3 emberre bízták.

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

• Figyelembe véve a különböző tápoldatok.2)) > plot(idő ~ kezelés + méreg. Lehetővé teszi. Ebben az esetben a tápoldatok hatását hagytuk figyelmen kívül. a kéttényezős. a harmadik lépés elvégzéséhez viszont nem rendelkezünk elegendő adattal. C. az egyes {tápoldat. B. hőmérséklet} értékpárt jelölő hat minta ugyanabból a sokaságból származik-e. A kéttényezős varianciaanalízis lehet ismétléses (cellánként több megfigyelés) vagy ismétlés nélküli (cellánként egy megfigyelés). táblázat tartalmazza. feladat Egy patkányokon végzett toxicitás vizsgálatban 3 mérget használtak (I. Ebben az esetben elvégezhetjük a kéttényezős. 99 . II. és a hőmérsékletkülönbség okozta eltéréseket (amelyeket az első és a második lépésben kimutattunk). hőmérséklet} párok esetében más hatások is felléphetnek. Megoldás az R rendszerben: > toxi = read. ismétléses varianciaanalízishez hasonlóan. 28.txt". Az alternatív hipotézis szerint nem kizárólag a hőmérséklet vagy a tápoldat változása okozhat eltérést.3. hogy minden párhoz (például minden {tápoldat. data=toxi) 34 35 Az adatok rendelkezésre álltak file-ban. hogy az oszlopneveket közvetlenül használjuk a függvényekben. ismétlés nélküli varianciaanalízis akkor használható. Az eredményt a 6. header=TRUE)34 > attach(toxi)35 > par(mfrow=c(1. III) és négyféle kezelést alkalmaztak (A. ismétléses varianciaanalízis első és második lépését.• Vajon a növények magasságára vonatkozó mérések a különböző hőmérsékletek esetében ugyanabból a sokaságból származnak-e. Itt azonban feltételezzük. a vizsgálatokat 4 ismétlésben végezték. Kéttényezős. hőmérséklet} párhoz) csak egy megfigyelés tartozik. A vizsgálat során a patkányok túlélési idejét mérték tíz órákban.table("c://Program Files//R//R-2. D). ha az adatok két különböző dimenzióba sorolhatók. vajon az összes {tápoldat. ezért onnan kerültek beolvasásra.1//library//ascdata// + rats.

A varianciaanalízis eredményéből azt láthatjuk.44 0. Ezt követően elvégzésre került a kéttényezős varianciaanalízis.72 0.22 D 0.76 0.71 0.23 0. ábrából azt is láthatjuk. hogy az egyes tényezőkön (hatásokon) belül szignifikáns különbség van.45 0.38 0. A 45. Ugyanakkor a tényezők kölcsönhatása nem szignifikáns.21 0.31 0.62 0.88 0.10 0.92 0.43 0. azaz az egyes mérgek és kezelések egymástól szignifikánsan különböznek.61 0. amit az egytényezős esetben.46 0.25 0.82 1. hogy a kéttényezős varianciaanalízis számításhoz ugyanazt a függvényt használtuk.63 0.71 0.18 0.56 1. ábra). ábrán látható.36 0.45 0.45 0.40 0.30 0.49 1.66 0.40 0.38 0.30 0.43 0.22 0. A függvény segítségével többtényezős varianciaanalízis is elvégezhető.23 B 0.35 0.24 0. csak itt megadásra került a második tényező is.31 0. amelynek eredménye a 45. amelyek bemutatják a tényezőkön belüli szempontokhoz tartozó adatok elhelyezkedését.Méreg I Kezelés A 0.31 0. táblázat A toxicitási kísérlet eredménye C 0.29 6.23 0.36 0.24 0.29 0.02 0.33 II III Az számítások elvégzése során elkészítettük az egyes tényezők boxplot diagramjait (44. 100 .37 0.

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

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

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

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

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

. Így a következő összeget kapjuk.. Tehát negatív korreláció esetén a regressziós egyenes meredeksége negatív és fordítva. . 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. Bizonyítható. 106 . A képletből látható. xn és az y1.. yn minták standard eltérései (szórásai). . y2.. vegyük ezek négyzetét és összegezzük a különbségek négyzetét.(a + b * xi)’ különbségek kicsik. . Mivel ezek a különbségek pozitívak és negatívak is lehetnek. mint a korreláció szignifikanciájának vizsgálatára. hogy ugyanaz a t-próba alkalmazható a regressziós együttható nullától való eltérésének szignifikanciájára.. x2. hogy az ’r’ és a ’b’ előjele megegyezik. mivel a standard eltérés mindig pozitív.

Az ábrából látható.0 8.7 10. A számítás eredményét a 46.8 10.3 20. hogy a vizsgált két tényező között szoros pozitív korreláció van.1 8.4 19.1 8. ábrán láthatjuk.2 28.1 18.6 32.1 38. táblázatban látható módon alakult.0 8.0 10.6 18. Az rnégyzet vagy determinációs együttható azt jelzi.9 19.3 8. hogy a regressziós függvénnyel az adott összefüggés jól leírható.5 9.9 9. Határozzuk meg a föld minősége és a kukorica termésátlaga közötti összefüggés szorosságát.1 21.5 26. illetve a termésátlagot befolyásolja a föld minősége. valamint az Eszközök – Adatelemzés – Regresszió utasításokkal végezhető el.2 25.1 15. Ellenőrizzük a korrelációs együttható megbízhatóságát.7 19.29. feladat Hajdú-Bihar megye néhány gazdaságában az adott földminőség mellett a kukorica termésátlaga a 7.1 34.9 9.1 40.2 17.és regressziószámítás az Excel táblázatkezelőben az Eszközök – Adatelemzés – Korreláció. táblázat A kukorica termésátlagának alakulása A korreláció.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. hogy a független változó mintegy 88 107 .0 8. Kukorica termésátlaga t/ha 8.3 7. és az Fpróba értékei alapján az is megállapítható.3 9.3 14.5 8.5 7.2 7.2 19.0 8.5 17.0 8.2 9.

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

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

például a következő jellemzők előállítására van lehetőségünk: • • • • reziduumok ($residual) számított értékek ($fitted. kuk.residual) Az eredmény objektum (regr) felhasználásával elkészíthetjük a regressziós függvényünk grafikonját is (49.94 + 0. + sub="kukoricatermés = 5.values) együtthatók ($coefficients) reziduumok szabadságfoka ($df. + main="A kukoricatermés és a földminőség közötti összefüggés". ábra): > plot(földmin. ábra Regressziószámítás az R rendszerben (kukoricatermés – földminőség) Az R rendszerben a regressziószámítás során.48. többek között.termés.12 * földminőség") > abline(regr) 110 .

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

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

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

9 3.9 8.7 6.5 3.1 6.2 8.5 5.2 9.7 9.6 7.2 4.9 3.5 4.0 5.1 4.1 6.2 3.1 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 5.8 5.5 3. táblázat A műtrágyázás hatása a termésátlagra 114 .8 8.6 8.2 3.4 8.8 6.5 3.7 7.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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