Statisztika és valszám alapok

Az időpontra vonatkozó sokaságokat álló sokaságnak nevezzük.

Az arány-skála a sokaság elemeit szintén valamilyen mérés szerint rendezi sorba, de abban különbözik az intervallum-skálától, hogy ennek van valódi nullpontja.

Hogyha egy sokaság elemei egymástól jól elkülöníthető egységek, akkor a sokaság diszkrét.

Hogyha egy sokaság nem diszkrét, akkor az folytonos.

Az intervallum-skála a sokaság elemeit valamilyen mérés szerint rendezi sorba.

Az ismérvek olyan vizsgálati szempontok, amelyek alapján a sokaság részekre osztható.

Az időtartamra vonatkozó sokaságokat mozgó sokaságnak nevezzük.

A nominális (névleges) mérési skála a sokaság elemeit valamilyen tulajdonság szerint csoportokba sorolja, de a csoportok között nincsen semmilyen sorrendiség.

Az ordinális (sorrendi) mérési skála a sokaság elemeit valamilyen tulajdonság szerint csoportokba sorolja, és a csoportok között van sorrendiség.

Ha több viszonyszámunk van, fölmerülhet az igény ezek átlagolására.

Ha több viszonyszámunk van, fölmerülhet az igény ezek átlagolására.

A viszonyszámok kiszámolásának módja meglehetősen semmitmondó.

A dinamikus viszonyszámok idősorok adataiból számított hányadosok.

Az intenzitási viszonyszám két, egymással valamilyen kapcsolatban álló sokaság mennyiségeinek hányadosa.

A megoszlási viszonyszám egy sokaság valamely részének az egészhez viszonított arányát írja le.

Az állapotidősorok egy vizsgált időtartam egy adott pillanatára vonatkozó megfigyeléseket tartalmazzák.

Egy speciális átlag, például ha négy hónap adataiból számoljuk ki az átlagot, viszont csak három hónapos időtartamra.

A tartamidősorok egy vizsgált időtartamra vonatkozó megfigyeléseket tartalmaznak.

Lényege, hogy az adatokat valamelyik ismérv szerint tudjuk összesíteni.

Ezek tulajdonképpen egymás mellett szerepeltetett valamilyen adatok.

Mindegyik ismérv szerint tudjuk az adatokat összesíteni.

Eseményeknek nevezzük a valószínűségi kísérlet során bekövetkező lehetséges kimeneteleket.

A valószínűség kiszámításának klasszikus modellje az, hogy megszámoljuk hány elemi eseményből áll a vizsgált esemény és ezt elosztjuk az összes elemi esemény számával.

Mikor mondjuk, hogy két esemény egymástól független? Példák független eseményekre.

Mikor kizáró két esemény? Példák kizáró eseményekre.

A feltételes valószínűség. Az A feltéva B valószínűség azt jelenti, hogy mekkora eséllyel következik be az A esemény, ha a B esemény biztosan bekövetkezik..

Események metszetének, uniójának, különbségének és komplementerének valószínűségei.

Ha kör alakban helyezünk el n különböző elemet és azok sorrendjét vizsgáljuk, akkor ciklikus permutációról beszélünk.

Olyankor használjuk, ha egy korábban bekövetkezett $B_k$ esemény valószínűségére vagyunk kíváncsiak egy később bekövetkezett A esemény tükrében.

A teljes valószínűség tétele azt mondja ki, hogy ha ismerjük egy A esemény feltételes valószínűségét egy teljes eseményrendszer valamennyi eseményére, akkor ebből az A esemény valószínűsége kiszámítható.

Ha a szövegben valószínűségek vannak megadva, akkor a binomiális eloszlást szoktuk használni.

A hipergeometriai eloszlás a visszatevés nélküli mintavételhez kapcsolódó eloszlás.

Ha húzásokat vizsgálunk úgy, hogy a kihúzott elemeket nem tesszük vissza, akkor ez egy visszatevés nélküli mintavétel.

A visszatevées mintavételhez kapcsolódó eloszlás a binomiális eloszlás.

Diszkrétnek nevezzük azokat a valószínűségi változókat, amik megszámlálhatóan sok értéket vesznek fel.

Az X valószínűségi változó eloszlásfüggvénye F(x). F(x)=P(x<X) Vagyis minden x számhoz hozzárendeli annak a valószínűségét, hogy X<x. Nos ez elég izgi..

Folytonosnak nevezzük azokat a valószínűségi változókat, amik folytonos mennyiségeket mérnek, ilyen például az idő, a távolság.

A sűrűségfüggvény a görbe alatti területekkel írja le egy esemény valószínűségét.

Az eloszlásfüggvény határértéke minusz végtelenben 0, plusz végtelenben 1, monoton nő és balról folytonos.

Három nagyon fontos összefüggés eloszlásfüggvény és sűrűségfüggvény között.

A sűrűségfüggvény integrálja minusz végtelentől plusz végtelenig 1, és nem negatív.

Az $X$ valószínűségi változó $F(x)$ eloszlásfüggvényéből úgy kapjuk meg az $f(x)$ sűrűségfüggvényét, hogy az $F(x)$ eloszlásfüggvényt deriváljuk. Fordítva pedig integrálni kell.

A szórás azt mutatja meg, hogy a várható érték körül milyen nagy ingadozásra számíthatunk.

A valószínűségi változó értékeinek valószínűségekkel súlyozott átlaga. De valójában ez rém egyszerű, nézzünk rá néhány példát.

Folytonos valószínűségi változó esetén a szórást ugyanúgy kell számolni, mint diszkrét valószínűségi változó esetén:

Folytonos valószínűségi változók esetén a várható értéket egy integrálás segítségével számítjuk.

A binomiális eloszlás egy diszkrét eloszlás, ahol egy esemény bekövetkezésének a valószínűsége p és egymástól függetlenül elvégzünk n darab kísérletet, ahol a kísérletek mindegyikében az esemény vagy bekövetkezik vagy nem. Az eloszlás annak valószínűségét írja le, hogy az esemény éppen k-szor következik be.

Az eltelt idők és a távolságok eloszlása.

A hipergeometriai eloszlás egy diszkrét eloszlás, ahol N darab elem közül kiválasztunk n darab elemet visszatevés nélkül. Az összes elem között K darab selejtes található. Az eloszlás annak valószínűségét írja le, hogy a kiválasztott elemek között éppen k darab selejtes van.

A Poisson eloszlás egy diszkrét eloszlás, ahol egy esemény bekövetkezésének a várható előfordulása lambda darab. Az eloszlás annak valószínűségét írja le, hogy az esemény éppen k-szor következik be.

Ez egy folytonos eloszlás, ahol egy esemény bekövetkezésének valószínűsége valamely intervallumon konstans.

Mennyiségek eloszlása.

A csúcsosság azt jelenti, hogy az eloszlás görbéje mennyire csúcsosodik ki.

Az egyik legegyszerűbb és leggyakrabban használt alakmutatók, az úgynevezett Pearson-féle mérőszámok mellett az F-mutatók.

Az egyik legegyszerűbb és leggyakrabban használt alakmutatók, az úgynevezett Pearson-féle mérőszámok:

A Herfindahl-index egy eszköz a koncentráció vizsgálatára.

A Lorenz-görbe egy eszköz a koncentráció vizsgálatára.

Az állapotidősorok egy vizsgált időtartam egy adott pillanatára vonatkozó megfigyeléseket tartalmazzák.

Egy speciális átlag, például ha négy hónap adataiból számoljuk ki az átlagot, viszont csak három hónapos időtartamra.

A tartamidősorok egy vizsgált időtartamra vonatkozó megfigyeléseket tartalmaznak.

Ha mindkét ismérv minőségi (vagy területi), akkor asszociációs kapcsolatról beszélünk.

Ha két ismérv között nincs kapcsolat, akkor függetlenek.

Ha két ismérv között marhára van kapcsolat, akkor az függvényszerű.

Egy sokaságot egyszerre több ismérv szerint is vizsgálhatunk.

Ha mindkét ismérv mennyiségi, akkor korrelációs kapcsolatról beszélünk.

Ha mindkét ismerv sorrendi, akkor rangkorrelációs kapcsolatról beszélünk.

Ha a két ismérv között csak egy pici kapcsolat van.

Ha az egyik ismérv minőségi (vagy területi), a másik mennyiségi, akkor vegyes kapcsolatról beszélünk.

A Cramer-féle asszociációs együttható arra való, hogy amikor mindkét ismérv minőségi, rávilágítson a két ismérv közötti kapcsolat szorosságára.

A Csuprov-féle mutató segítségével két ismérv közötti kapcsolatot vizsgálhatjuk.

A kombinációs tábla általános sémája.

A belső eltérés-négyzetösszeg a belső szórás gyök alatti részének számlálója.

Ha azt vizsgáljuk, hogy az egyes értékek mennyire térnek el a részátlagoktól, akkor belső szórást számolunk.

A külső eltérés-négyzetösszeg a külső szórás gyök alatti részének számlálója.

Ha a részátlagoknak nézzük a főátlagtól való eltérését, az a külső szórás.

A PRE egy rövidítés, Proportional Reduction Errors, ami relatív hibacsökkenésnek fordítható.

A teljes eltérés-négyzetösszeg a teljes szórás gyök alatti részének számlálója.

A teljes szórás az egész sokaság szórását jelenti.

A determinációs együttható pontosan úgy értelmezhető, mint a PRE mutató a vegyes kapcsolatnál.

A lineáris korrelációs együttható azt méri, hogy $X$ és $Y$ között milyen szoros lineáris kapcsolat van.

Ha pl. egy verseny eredményét ketten is megtippelik, és el kell döntenünk melyikük találta el jobban a valós eredményt...

A standardizálást egy látszólag teljesen ellentmondásos statisztikai probléma megoldására találták ki.

Időbeli összehasonlításhoz tartozó képletek.

A standardizálást nem csak területi, hanem időbeli összehasonlításokhoz is alkalmazzuk.

Területi összehasonlításhoz tartozó képletek.

Az árindex a szektort érintő árváltozást méri.

A volumenindex a forgalom változásának mértéke.

Képletek az értékindex kiszámításához.

A Fischer-féle árindex és volumenindex kiszámítása.

A legtöbb feladatban nincs külön megadva $p_0$ és $p_1$ valamint $q_0$ és $q_1$ pontos értéke, ezért különböző bűvészmutatványokra lesz szükség.

A vásárlóerő mérésére van forgalomban az úgynevezett vásárlóerő-paritás.